一个机器学习框架来描述功能性疾病架构,并优先考虑疾病变体
Siliangyu Cheng1,2, Artem Kim1,2, Dhrithi Deshpande2,3
1Department of Population and Public Health Sciences, Keck School of Medicine, University of Southern California, Los Angeles, CA, USA.
medRxiv : the preprint server for health sciences
|November 24, 2025
概括
变种到疾病 (V2D) 框架使用机器学习来模拟全基因组关联研究 (GWAS) 的疾病效应大小. 这种方法增强了变异优先级,并揭示了受约束的监管变异作为疾病架构的关键.
科学领域:
- 遗传学 是一个遗传学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 全基因组关联研究 (GWAS) 对于理解疾病功能架构和优先考虑因果变异至关重要.
- 对疾病效应大小的准确建模对于推进遗传研究至关重要.
研究的目的:
- 介绍变种到疾病 (V2D) 框架,这是一种用于建模疾病效应大小的机器学习方法.
- 从全基因组精细映射和功能注释中利用后期估计.
- 提高潜在的因果变异的优先级.
主要方法:
- 使用机器学习算法开发了变种到疾病 (V2D) 框架.
- 应用线性树来模拟15个英国生物库特征的遗传性和功能丰富性.
- 利用神经网络生成GWAS优先级分数.
主要成果:
- V2D框架提供了可靠的遗传性估计 (h2).
- 确定了约束和监管注释之间的非线性关系,突出了受约束的监管变体.
- 开发的GWAS优先级分数丰富于常见变异h2 (20.6±0.7x为前1%),优于现有方法.
结论:
- V2D框架提供了一个强大的方法来建模疾病效应大小和功能架构.
- 约束的调节变异是疾病功能架构的主要组成部分.
- 源自V2D的GWAS优先级分数改善了变体发现,并且可以在数据集中转移.
