使用深度神经网络进行非侵入性胎儿基因型鉴定.

科学领域:

• 遗传学和基因组学 遗传学和基因组学
• 分子诊断学 分子诊断
• 生物信息学是一种生物信息学.

背景情况:

• 循环无细胞DNA (cfDNA) 分析对于液体活检和非侵入性产前检测 (NIPT) 染色体异常至关重要.
• 目前使用cfDNA的单基性疾病的非侵入性产前检测 (NIPT-M) 是有限的,尽管在个体基因类型化领域的碎片学和深度学习 (DL) 方面取得了进展.

研究的目的:

• 开发第一个基于DL的框架,用于基于cfDNA的胎儿基因定型,以实现全基因组NIPT-M.
• 为超深度全基因组测序 (WGS) 数据创建一个高效的DL模型,整合各种信息层次.

主要方法:

• 开发了一种新的DL框架,用于基于cfDNA的基因定型.
• 利用了超深度WGS数据,包括DNA核酸,碎片,突变区域,样本和家族特征.
• 与传统的统计和机器学习方法进行性能比较.

主要成果:

• 该DL框架超越了基于cfDNA的基因型鉴定中的现有方法.
• 成功检测出三种有害突变,使NIPT-M早在妊娠第7周就能使用.
• 证明了多层次信息的完善整合,以提高准确性.

结论:

• 拟议的DL方法显著提高了全基因组NIPT-M对所有突变类型的临床可行性.
• 这一创新使家庭和医疗保健提供者能够在怀孕期间早些时候做出明智的决定.
• 减少与产前遗传查相关的焦虑和不确定性.