染色体重塑BAF复杂相关神经发育障碍的基因特异性病原性预测器
1Genetics and Genomics Department, University of California Los Angeles, Los Angeles, California 90095, USA.
bioRxiv : the preprint server for biology
|September 26, 2025
概括
机器学习模型现在可以从不确定的意义 (VUS) 的变异中预测致病性遗传变异. 基因特异性算法提高了诊断罕见神经发育疾病的准确性,帮助遗传咨询师.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 全基因组测序识别了许多意义不明的变异 (VUS),创造了一个诊断挑战.
- 遗传咨询师在识别患者疾病的致病变异时面临一个瓶.
- 现有的机器学习 (ML) 工具需要基因特异性校准才能准确地预测病原性.
研究的目的:
- 开发一个工作流程来创建准确的,基因特异的集体学习ML模型.
- 为了利用变异位置,进化保护和算法输出来预测病原性.
- 为了提高与BAF复杂蛋白相关的罕见神经发育性疾病的诊断准确度.
主要方法:
- 使用与神经发育疾病相关的SMARCA2和SMARCA4变体选了15ML算法.
- 调整了一个随机森林学习器,在持久数据上达到0.93准确度.
- 开发了BAF复合蛋白的最终预测器,达到0.91准确度.
主要成果:
- 一个基因特异性的ML模型在SMARCA2/SMARCA4变异中实现了0.93的准确性.
- 将预测因子推广到其他BAF复合蛋白显著降低了性能.
- 与其他预测器相比,BAF复合蛋白的最终预测器显示0.91准确度和优越的AUROC.
结论:
- 基因特异性校准对于准确的基于ML的病原性预测至关重要.
- 开发的工作流提供了一种快速,具有成本效益的方法来增强遗传咨询师的ML工具.
- 这种方法有助于通过有效识别致病性遗传变异来诊断罕见疾病.


