基于LD的深度学习用于使用WGS数据检测阿尔茨海默氏症基因位置
Taeho Jo1, Paula Bice1, Kwangsik Nho1,2
1Indiana Alzheimer Disease Research Center and Center for Neuroimaging, Department of Radiology and Imaging Sciences Indiana University School of Medicine Indianapolis Indiana USA.
Alzheimer's & dementia (New York, N. Y.)
|January 17, 2025
概括
一个AI框架Deep-Block使用全基因组测序数据识别阿尔茨海默病 (AD) 风险的遗传位置. 它发现了已知的和新的变体,改善了AD遗传结构的理解.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 人工智能的人工智能
背景情况:
- 基因组数据的指数增长需要先进的分析工具来识别遗传位置.
- 阿尔茨海默病 (AD) 研究需要有效的方法来分析大规模的测序数据,以发现遗传风险因素.
研究的目的:
- 介绍Deep-Block,一个多阶段的深度学习框架,旨在识别与阿尔茨海默病 (AD) 相关的遗传区域.
- 将生物知识纳入人工智能架构,以对高通量测序数据进行增强的基因分析.
主要方法:
- 使用链接不平衡 (LD) 模式进行基因组细分.
- 选择相关的LD块的注意力稀缺机制.
- 单核酸多态 (SNP) 的TabNet和随机森林算法具有重要性量化.
主要成果:
- 根据AD相关性的30218个LD块的识别和排名.
- 检测新的和确认已知的AD相关SNP,包括APOErs429358.8.
- 通过对13个大脑区域的表达量化特征位置 (eQTL) 分析来确定变异的功能证据.
结论:
- 深度区块有效处理大规模的测序数据,保持SNP交互并最大限度地减少信息丢失.
- 已识别的变体显示功能相关性,得到组织特异性eQTL数据的支持.
- 该框架成功识别了已知的和新的遗传变异,促进了对AD遗传结构的理解.
