神经盟友:基于大脑的基因组和表观基因组特征的监管变异预测的深度学习模型,以及其在某些神经系统疾病中的验证

科学领域:

• 基因组学就是基因组学.
• 神经科学是一个神经科学.
• 计算生物学 计算生物学

背景情况:

• 大规模的遗传研究揭示了许多与神经系统疾病的关联.
• 表达量的特征位置 (eQTL) 研究将单核酸多态 (SNP) 与大脑中的基因表达联系起来.
• 许多关联的SNP位于非编码区域,具有经常被忽视的调节功能,复杂化了因果变异的识别.

研究的目的:

• 开发一个计算工具来区分监管非编码SNP与非监管SNP.
• 使用深度学习预测与神经疾病相关的SNP的调节潜力.

主要方法:

• 开发了一个深度学习模型,Neur-Ally,在神经系统表观遗传数据上进行训练.
• 该模型分析DNA序列,以预测调节特征的发生 (例如,染色质可访问性,基因组修饰,转录因子结合).
• 应用Neur-Ally通过in silico mutagenesis预测神经条件相关的非编码SNP的调节效应.

主要成果:

• Neur-Ally成功地预测了各种神经疾病中涉及的非编码SNP的调节效应.
• 该模型使用包括神经系统疾病,大脑eQTL和自闭症谱系障碍的全基因组关联研究 (GWAS) 的数据集进行了验证.

结论:

• 神经盟友提供了一种强大的方法来识别神经系统疾病中的功能调节SNP.
• 这种方法可以通过区分真正的调节变异来帮助细化遗传关联并发现新的疾病机制.