通过深度学习对胚胎和母细胞无细胞DNA在人类植入前胚胎的消耗培养基中进行遗传解
Zhenyi Zhang1, Jie Qiao1,2,3, Yidong Chen1,3
1School of Mathematical Sciences, State Key Laboratory of Female Fertility Promotion, Center for Reproductive Medicine, Department of Obstetrics and Gynecology, Third Hospital, Center for Machine Learning Research, Center for Quantitative Biology, Peking University, Beijing, 100871, China.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|June 30, 2025
概括
一种新的深度学习方法,DECENT,从已用胚胎培养基中的无细胞DNA (cfDNA) 中准确地重建胚胎拷贝数变异 (CNV). 这有助于改善非侵入性植入前遗传检测,通过减轻孕妇DNA污染,使怀孕更健康.
科学领域:
- 生殖医学 生殖医学
- 遗传学 是一个遗传学.
- 生物信息学是一种生物信息学.
背景情况:
- 在已耗尽的胚胎培养介质 (SECM) 中使用胚胎无细胞DNA (cfDNA) 进行无侵袭性植入前遗传测试,以检测质. 在辅助生殖中改善胚胎选择的潜力.
- 在SECM中,母体DNA污染是一个重大挑战,它会损害胚胎形形状的准确性,并导致假阴性,特别是在高污染水平时.
研究的目的:
- 开发和验证一种深度学习方法 (DECENT),用于重建胚胎拷贝数变异 (CNVs),并减轻SECM cfDNA中的母体污染.
- 提高非侵入性植入前遗传检测 (niPGT-A) 的可靠性和诊断准确性.
主要方法:
- DECENT采用深度学习方法,集成序列特征和甲基化模式,使用卷积,长短记忆和注意力机制来推断cfDNA起源.
- 使用来自SECM的cfDNA单细胞甲基化测序.
- 对具有不同水平母体污染的样本进行了基准测试,包括临床样本.
主要成果:
- DECENT 准确估计了 SECM 中的孕产妇污染比例.
- 该方法成功地重建了胚胎染色体形,即使具有高水平的母体DNA污染 (高达80%).
- 在临床SECM样本中,DECENT表现出一致的副本数变异恢复,与临床SECM样本的侵入性测试方法相比.
结论:
- DECENT显著提高了基于cfDNA的非侵入性植入前遗传测试的诊断准确性和有效性.
- 开发的方法为繁殖医学中非侵入性方法的更广泛的临床应用提供了坚实的基础.
- 通过SECM中的cfDNA分析精确检测形状,可以改善胚胎选择和生殖结果.
