使用多模式证据,在特征相关的位置优先考虑效应基因
Marijn Schipper1, Christiaan A de Leeuw2, Bernardo A P C Maciel2
1Department of Complex Trait Genetics, Center for Neurogenomics and Cognitive Research, Amsterdam Neuroscience, Vrije Universiteit Amsterdam, Amsterdam, The Netherlands. m.j.schipper@vu.nl.
从遗传学研究中预测引起疾病的基因是很困难的. FLAMES框架使用机器学习和网络分析来识别最可能的效应基因,提高复杂特征和疾病的准确性.
科学领域:
- 遗传学 是一个遗传学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 全基因组关联研究 (GWAS) 确定了与特征和疾病相关的众多遗传位置.
- 确定负责这些关联的特定效应基因仍然是遗传研究中的一个重大挑战.
研究的目的:
- 引入FLAMES (效应基因的精细映射位置评估模型) 框架,用于预测基因位置内的最可能的效应基因.
- 通过整合多个证据线来提高效应基因预测的准确性.
主要方法:
- FLAMES使用在生物数据上训练的机器学习模型,将单核酸多态 (SNP) 与基因联系起来.
- 它评估了基于SNP的预测以及功能网络内GWAS信号融合的基因中心证据.
主要成果:
- 该研究表明,通过结合基于SNP和网络融合数据的FLAMES,优于依赖单一证据类型的优先级设置方法.
- FLAMES成功地解决了与双胞胎结合相关的FSHB位点,并确定了具有跨生命阶段相关性的精神分裂症风险基因.
结论:
- FLAMES框架提供了一种强大而准确的方法,用于从GWAS数据中识别效应基因.
- 整合多种数据模式显著改善了位置特征关联的解决方案,促进了我们对疾病遗传贡献的理解.
更多相关视频
05:53Candidate Gene Testing in Clinical Cohort Studies with Multiplexed Genotyping and Mass Spectrometry
Published on: June 21, 2018
11:35Screening for Functional Non-coding Genetic Variants Using Electrophoretic Mobility Shift Assay EMSA and DNA-affinity Precipitation Assay DAPA
Published on: August 21, 2016
相关概念视频
Pleiotropy
Polygenic Traits
Epistasis Analysis
Incomplete Dominance
Genome-wide Association Studies-GWAS
GWAS does not require the identification of the target gene involved in...
Gene Evolution - Fast or Slow?
In contrast, regions which code...
