可解释的机器学习预测PSEN1误解变异的致病性,基于六个核心阿尔茨海默病基因的多omics丰富

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:

• 阿尔茨海默病 (AD) 的临床解释受到许多相关基因中不确定的意义错误变异的挑战.
• 现有的计算工具往往缺乏疾病特定的背景,从而降低了它们的临床相关性和可解释性.

研究的目的:

• 开发一个可解释的机器学习框架来预测AD误解变体的病原性.
• 整合转录组和蛋白组数据丰富模式与机器学习,以增强变体分类.

主要方法:

• 使用公共数据库 (Alzforum,gnomAD) 进行横截面变异级别分析.
• 具有功能特征 (例如,组织特异性表达,AlphaFold预测) 和评估特征丰富性的注释变体.
• 在PSEN1变体上训练了六个机器学习算法,比较SIFT和PolyPhen-2的性能,并通过特征剥离和SHAP进行解释性分析.

主要成果:

• 与AD相关的变体在特定的转录基因/蛋白质基因特征上表现出显著的丰富,特别是PSEN1.1.
• 机器学习模型 (随机森林,梯度提升) 实现了高性能,超过了SIFT,接近PolyPhen-2的准确性.
• 相对溶剂可访问性是最有区别的特征,由区域和拓数据补充.

结论:

• 一个整合性的多学科框架有效地将疾病特异性丰富与AD误解变体的可解释机器学习联系起来.
• 这些发现强调了表达和结构背景在PSEN1变体致病性中的作用,有助于功能性研究优先级.
• 在临床应用之前,需要对各种基因和队列进行进一步验证.