分析深度学习预测的非编码新变体的功能分数及其与复杂大脑特征的相关性
Enrique Mondragon-Estrada1, Sarah U Morton2
1Division of Newborn Medicine, Department of Pediatrics, Boston Children's Hospital, Boston, MA 02115, USA; Fetal Neonatal Neuroimaging and Developmental Science Center, Boston Children's Hospital, Boston, MA 02115, USA.
STAR protocols
|April 8, 2025
概括
这项研究引入了一个计算协议来预测遗传变异的功能影响. 它有助于优先考虑变体,并使用深度学习得分将它们与复杂的大脑特征联系起来.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 神经科学是一个神经科学.
背景情况:
- 预测非编码基因变异的功能影响对于理解复杂特征至关重要.
- 当前的计算分数提供了洞察力,但需要针对自定义变体集和特征关联进行多步分析.
- 整合变异功能预测与复杂的特征数据,特别是大脑特征,仍然是一个挑战.
研究的目的:
- 基于深度学习预测的功能评分,提出一种标准化的基因变异优先排序协议.
- 为了证明这些功能分数与复杂的大脑特征的关联.
- 为变种优先级和表型相关性提供一个可概括的框架.
主要方法:
- 为定制变体集生成基于深度学习的功能分数.
- 变体得分的统计比较. 变体得分的统计比较.
- 功能评分和大脑表型之间的相关性分析.
- 功能丰富分析来解释变异的意义.
主要成果:
- 该协议可以生成和应用深度学习的功能分数,以优先考虑变量.
- 证明了预测功能分数与特定大脑特征的成功关联.
- 该方法在识别可能具有影响力的变体方面被证明是有效的.
结论:
- 开发的协议提供了一个强大的和可通用的方法,用于功能变体优先级.
- 这种方法促进了计算预测与复杂的特征分析的整合,特别是在神经科学中.
- 该协议可以适应各种遗传模型和表型数据.


