通过利用预测的表观遗传特征,从全基因组测序数据中改善多基因预测

科学领域:

• 遗传学和基因组学 遗传学和基因组学
• 计算生物学 计算生物学
• 个性化医疗是个性化的医疗.

背景情况:

• 多基因风险评分 (PRS) 通过使用遗传变异来估计复杂疾病的易感性.
• 全基因组测序 (WGS) 能够大规模检测罕见的和新的变异.
• 基因调节机制对于疾病至关重要,但往往与PRS没有整合.

研究的目的:

• 开发一种新的框架,Epi-PRS,用于改进多基因风险评分预测.
• 解决现有的PRS方法在处理非线性效应,罕见变异和监管环境方面的局限性.
• 利用大型语言模型 (LLM) 将表观基因组数据集成到PRS.

主要方法:

• 开发了Epi-PRS,这是一种利用LLM的框架,可以从基因型中赋予细胞类型特定的表观遗传信号.
• 使用指定的表观遗传学信号作为介质来建模基因型-表型关系.
• 通过模拟研究和对英国生物库数据的应用来验证框架.

主要成果:

• 通过结合非线性关系,罕见变异和监管信息,Epi-PRS在模拟中显示出更好的预测准确性.
• 在英国生物银行数据中,Epi-PRS显著优于现有的PRS方法对乳腺癌和2型糖尿病风险预测.
• 该框架提高了PRS的预测能力和可解释性.

结论:

• 埃皮-PRS提供了一个有前途的方法,用于更精确,更有生物学依据的疾病风险预测.
• 整合WGS数据,表观基因组背景和LLM可以推进个性化医疗.
• 这一框架有助于更好地了解复杂的遗传结构和疾病病因学.