通过特征归算增强非线性转录组和蛋白质组范围的关联研究,用于阿尔茨海默病的应用

科学领域:

• 遗传学 是一个遗传学.
• 神经科学是一个神经科学.
• 生物信息学是一种生物信息学.

背景情况:

• 全基因组关联研究 (GWAS) 已经确定了阿尔茨海默病 (AD) 的遗传位置.
• 由于参与者的年龄,生物库数据集往往缺乏足够的AD病例,限制了GWAS的统计能力.
• 属性归算方法可以预测未来的疾病状态,解决病例确定局限性.

研究的目的:

• 在非线性转录基因组/蛋白质组范围的关联研究 (TWAS/PWAS) 中探索归算AD状态的实用性.
• 使用深度学习识别与AD风险相关的基因调节表达的基因和蛋白质.
• 评估假设结果对统计能力的影响以及TWAS/PWAS中的假阳性率.

主要方法:

• 使用深度学习进行训练的非线性TWAS/PWAS模型 (DeLIVR).
• 利用基因型-组织表达 (GTEx) 和英国生物库 (UKB) 数据用于转录组和蛋白质组归算模型.
• 雇员将UKB参与者的AD状态归因为模型培训的结果.
• 通过阿尔茨海默氏病测序项目 (ADSP) 的临床诊断的AD病例进行了假设测试.

主要成果:

• 训练有假定AD结果的非线性TWAS/PWAS成功识别了已知和潜在的AD风险基因/蛋白质.
• 假定结果增加了检测AD相关分子特征的统计能力.
• 该方法并没有增加错误阳性率.

结论:

• 假定的AD状态是增强非线性TWAS/PWAS的一个有价值的工具.
• 这种方法增加了AD风险基因和蛋白质的发现能力.
• 能够识别具有对神经退行症潜在非线性影响的分子因素.