相关实验视频
Updated: May 7, 2026
08:58
Optimized Analysis of In Vivo and In Vitro Hepatic Steatosis
Published on: March 11, 2017
15.8K
跨祖先罕见变体关联研究与机器学习为代谢功能障碍相关的脂肪性肝病的基于表型的机器学习
Robert Chen1,2,3, Ben Omega Petrazzini1,2,4, Áine Duffy1,2,4
1The Charles Bronfman Institute for Personalized Medicine, Icahn School of Medicine at Mount Sinai, New York, NY, USA.
Genome biology
|March 11, 2025
概括
这项研究使用大型多样化的生物库确定了与代谢功能障碍相关的脂肪性肝病 (MASLD) 相关的罕见遗传变异. 机器学习改善了对这种具有挑战性的表型肝病症的遗传关联的检测.
科学领域:
- 遗传学 是一个遗传学.
- 基因组学就是基因组学.
- 代谢疾病 代谢疾病
背景情况:
- 全基因组关联研究 (GWAS) 已经确定了代谢功能障碍相关的脂肪性肝病 (MASLD) 的常见变体.
- 对罕见编码变体的研究受到表型化挑战和小样本大小的限制.
- 这项研究调查了与MASLD和肝脏脂肪含量相关的罕见和超罕见的编码变体.
研究的目的:
- 为了识别与MASLD和肝脂肪相关的罕见和超罕见的编码变体.
- 利用跨祖先的元分析和机器学习来加强遗传发现.
- 增加MASLD的遗传调查的统计能力.
主要方法:
- 在超过736,000名参与者中,对具有质子密度脂肪分数 (PDFF) 和MASLD病例控制状态的罕见/超罕见编码变体进行跨祖先元分析.
- 开发机器学习模型来预测PDFF和MASLD状态.
- 协会测试使用预测的表型来提高统计能力.
主要成果:
- 确定了27个与MASLD相关的基因,包括已知的单一性原因和以前涉及的基因.
- 发现了祖先特异性变体,特别是在非洲祖先种群中.
- 在祖先和性别分层分析中发现了显著的异质性,突出了复杂的遗传架构.
结论:
- 跨祖先关联分析对于在MASLD.中发现祖先特异的罕见变异是有效的.
- 机器学习在大型,多样化的生物库中增强了难以表型的疾病的遗传研究.
- 这些发现有助于了解MASLD的遗传基础,并确定潜在的治疗点.
