Random Forest as a Tumour Genetic Marker Extractor
Barcelona Supercomputing Center(巴塞罗那超级计算中心);Universitat Politècnica de Catalunya - BarcelonaTech(加泰罗尼亚理工大学-巴塞罗那理工)
寻找肿瘤遗传标记物对生物医学至关重要,因为它们与癌症检测和治疗开发相关。在本文中,我们探索了最近发布的2,586名癌症患者的染色体重排数据集,其中检测到了不同类型的改变。使用随机森林分类器,我们评估了与染色体重排相关的几个特征的相关性(一些在原始数据中直接可用,一些由我们设计)。这一评估结果在一组潜在的肿瘤遗传标记,其中一些是在书目中验证,而其他的是潜在的新的。
2019-11-26 cs.LG q-bio.GN
Hypothesis Testing in High-Dimensional Instrumental Variables Regression with an Application to Genomics Data
基因表达和表型关联可能受到来自多个来源的潜在未测量混杂因素的影响,导致对关联的偏倚估计。由于遗传变异在很大程度上解释了基因表达变异,因此可以在高维工具变量(IV)回归的框架内将其用作研究基因表达与表型之间关联的工具。然而,由于遗传变异和基因表达的维度通常大于样本量,因此统计推断(例如,用于此类高维IV模型的假设检验)并非微不足道,并且尚未在文献中进行研究。由于工具变量(例如,遗传变体)必须在大量的遗传变体中进行选择。研究了稀疏IV回归模型的假设检验问题,给出了单个回归系数的检验方法和多个回归系数的多重检验方法,其中单个回归系数的检验统计量是基于逆回归构造的.一个多重检验程序开发选择变量,并控制错误发现率。仿真进行评估我们所提出的方法的性能。这些方法通过酵母数据集的分析来说明,以确定与过氧化氢存在下的生长相关的基因。
2019-10-21 stat.AP stat.ME
Adaptive Mantel Test for AssociationTesting in Imaging Genetics Data
关联的曼特尔检验(MT)是通过检验两个观察域之间所有受试者对的相似性的线性关系来进行的。受神经影像学和遗传学数据应用的启发,继收缩和核方法在高维数据预测中的成功之后,我们在这里引入自适应Mantel检验作为MT的扩展。通过利用核和惩罚相似性度量,自适应Mantel测试能够在许多设置中相对于经典MT实现更高的统计功效。此外,自适应Mantel测试被设计为同时测试多个相似性度量,使得在原假设下保持正确的第一类错误率,而不需要直接调整多重检验的显著性阈值。在模拟数据上评估自适应Mantel测试的性能,并使用来自北京师范大学的350名大学生的工作记忆研究的数据来研究与阿尔茨海默病相关的遗传标记和热脑生理之间的关联。
2018-12-16 stat.CO stat.ME
Integrating omics and MRI data with kernel-based tests and CNNs to identify rare genetic markers for Alzheimer's disease
Hasso Plattner Institute(哈索·普拉特纳研究所);Universität Potsdam(波茨坦大学);Max Delbrück Center for Molecular Medicine(马克斯·德尔布吕克分子医学中心)
对于精准医疗和个性化治疗,我们需要识别疾病的预测标志物。我们专注于阿尔茨海默病(AD),磁共振成像扫描提供有关疾病状态的信息。通过将成像与基因组测序相结合,我们的目标是识别与卷积神经网络(CNN)预测的数量性状相关的罕见遗传标记,这些标记传统上由专家手动得出。基于核的测试是关联遗传变异集的强大工具,但如何对罕见的遗传变异进行最佳建模仍然是一个开放的研究问题。我们提出了一套广义的内核,将先验信息从各种注释和多组学数据。在对阿尔茨海默病神经影像学倡议(ADNI)数据的分析中,我们评估了(i)CNN是否产生精确和可靠的大脑特征,以及(ii)基于核的新型测试是否有助于识别与AD相关的基因座。结果表明,CNN提供了一种快速,可扩展和精确的工具来获得定量AD性状,并且集成领域知识的新内核可以在非常罕见的变体的关联测试中产生更高的功效。
2019-03-05 cs.LG q-bio.GN stat.ML
Robust Methods for Disease-Genotype Association in Genetic Association Studies: Calculate P-values Using Exact Conditional Enumeration instead of Asymptotic Approximations
在遗传关联研究中,检测疾病-基因型关联是主要目标。对于大多数疾病,潜在的遗传模型是未知的,我们研究了七个强大的检验统计量单调关联。对于给定的检验统计量,有许多方法可以计算p值,但在遗传关联研究中,计算主要基于渐近近似或模拟排列。我们表明,当排列的数量趋于无穷大时,排列p值接近精确的条件枚举p值,并进一步计算后者p值比执行模拟排列更有效。我们回答了两个研究问题。(i)研究中的哪一个检验统计量对单调遗传模型最有效?(ii)根据检验大小、功效和计算考虑,应使用渐近近似法还是精确条件枚举法来计算p值?我们研究了病例-对照样本量,500-5000例和500-15000对照,显著性水平从5e-8到0.05,因此我们的结果适用于研究中只有一个遗传标记的遗传关联研究,中期随访研究和全基因组关联研究。我们发现,如果所有的单调遗传模型的兴趣,最好的性能是达到一个检验统计量的基础上的最大范围内的Cochrane-Armitage趋势检验与不同的分数和约束似然比检验。对于低于0.05的显著性水平,渐近近似法可能给出高达标称水平20倍的检验大小,因此应谨慎使用。此外,基于精确条件枚举计算p值是一种功能强大、有效且计算可行的方法,我们主张将其用于遗传关联研究。
2013-07-29 stat.AP stat.ME
Robust Mendelian Randomization Estimation using Weighted Quantile Regression
Faculté de Pharmacie, Université de Montréal(蒙特利尔大学药学院);Centre de Recherche Azrieli du CHU Sainte-Justine(圣贾斯丁大学医院中心阿兹里埃尔研究中心);Department of Mathematics and Statistics, McGill University(麦吉尔大学数学与统计系);Département de médecine sociale et préventive, Université de Montréal(蒙特利尔大学社会与预防医学系)
本文提出MR-Quantile方法,利用加权分位数回归应对孟德尔随机化中的相关和不相关多效性问题,通过似然法选择最优分位数,并在模拟和实际数据中验证其有效性。
2026-04-08 stat.ME
De novo construction of polyploid linkage maps using discrete graphical models
连锁图谱用于确定负责性状和疾病的基因的位置。新的测序技术为大幅增加遗传标记的密度创造了机会。这种革命性的技术进步带来了新的挑战,如创建高密度连锁图谱。目前基于成对重组分数的多重检验方法在高维环境中的能力不足,并且不容易扩展到多倍体物种。我们建议通过稀疏高斯Copula或非超自然怀疑论方法使用图形模型构建连锁图。连锁群(LG),通常是染色体,和每个LG中的标记的顺序是通过推断基因组中大量标记之间的条件独立关系来确定的。通过模拟,我们说明了我们的地图构建方法的实用性,并将其性能与其他可用的方法进行比较,无论是当数据是干净的,不包含缺失的观察,当数据包含基因分型错误,是不完整的。我们将所提出的方法应用于两个基因型数据集:大麦和马铃薯二倍体和多倍体人口,分别。我们的综合图谱构建方法充分利用剂量SNP数据来构建任何双亲二倍体和多倍体物种的连锁图谱。我们已经在R包netgwas中实现了该方法。
2018-04-02 q-bio.GN q-bio.MN q-bio.PE
Efficient and accurate causal inference with hidden confounders from genome-transcriptome variation data
利用全基因组测序和转录组分析将基因表达定位为一种数量性状,可以发现遗传变异的功能后果。我们开发了一种新的方法和超快的软件Findr,用于使用顺式调控DNA变异作为因果锚点进行基因表达性状之间的高精度因果推断,该方法通过考虑隐藏的混杂因素和弱调控来改进现有方法。Findr在DREAM 5系统遗传学挑战和人类淋巴母细胞中microRNA和转录因子靶点的预测上优于现有方法,同时快了近一百万倍。Findr可在https://github.com/lingfeiwang/findr上公开获取
2017-04-17 q-bio.GN q-bio.MN q-bio.QM
A Pattern Discovery-Based Method for Detecting Multi-Locus Genetic Association
有效检测多位点遗传关联的方法在人类复杂性状的遗传解剖中变得越来越重要。目前的方法通常考虑有限数量的假设,其中大多数与单个基因座或相对少量的相邻基因座对染色体区域的影响有关。我们已经开发了一种新的方法,专门设计用于检测涉及多个疾病易感基因座的遗传关联,可能在不同的染色体上。我们的方法依赖于有效的发现模式,包括空间不受限制的多态性标记和使用适当的测试统计来评估模式性状的关联。使用多位点疾病模型的功效计算表明,与标准单标记分析方法相比,使用该方法检测多位点遗传关联的功效显著增加。在分析精神分裂症数据集时,我们证实了先前确定的基因-基因相互作用。此外,一个不太明显的协会涉及相同的两个基因上的不同标记也被确定,暗示遗传异质性。
2007-03-16 q-bio.GN q-bio.PE
Analysis of genetic diversity among some Iraqi durum wheat cultivars revealed by different molecular markers
本研究利用RAPD、ISSR和CDDP三类分子标记分析16个伊拉克硬粒小麦品种的遗传多样性,揭示了群体内高变异水平和群体结构,为后续育种提供依据。
2024-07-08 q-bio.GN q-bio.PE
Phenotypic class ratios as marker signs of different types of agamospermy
本文以甜菜为例,重点介绍了植物无配子生殖类型遗传分类方法的发展。通过使用同工酶作为遗传标记来确保分类的可行性,该遗传标记允许鉴定个体杂合二倍体植物的后代中的所有三种表型类别,并且该分类的可行性基于通过减数分裂和有丝分裂无配子生殖获得的后代中的不同表型类别比率。结果表明,甜菜减数分裂无精生殖是最典型的,15个后代中有13个是由减数分裂无精生殖产生的,只有2个是由有丝分裂无精生殖产生的。
2013-12-28 q-bio.GN
Genetic diversity of barley accessions and their response under abiotic stresses using different approaches
本研究利用ISSR、CDDP和Scot三种分子标记,对伊拉克59份大麦种质进行遗传多样性分析,成功聚类并发现其变异模式与地理分布相对应。
2024-03-21 q-bio.GN
Bayesian Neural Networks for Genetic Association Studies of Complex Disease
从大型遗传关联研究中发现因果遗传变异带来了许多困难的挑战。评估哪些遗传标记参与决定性状状态是一项计算要求很高的任务,特别是在存在基因-基因相互作用的情况下。本文提出了一种贝叶斯神经网络形式的非参数贝叶斯方法,用于分析遗传关联研究。对合成和真实数据的演示表明,他们能够有效和准确地确定哪些变异参与确定病例对照状态。使用图形处理单元(GPU),构建这些模型所需的时间减少了几个数量级。与检测遗传相互作用的常用方法相比,贝叶斯神经网络在广泛的可能遗传关系中表现非常好,同时具有处理大型数据集所需的计算效率。
2014-04-16 q-bio.GN stat.AP stat.ML
A Robust Approach for Identifying Gene-Environment Interactions for Prognosis
对于许多复杂疾病,预后至关重要。研究表明,除了遗传(G)和环境(E)风险因素的主要影响外,基因-环境(G $\times$ E)相互作用也起着关键作用。在实践中,预后结果数据可能被污染,并且大多数现有方法对数据污染不鲁棒。在文献中,它已被证明,即使是一个单一的污染观测可以导致严重偏差的模型估计。在这项研究中,我们使用加速失效时间(AFT)模型描述预后。提出了指数平方损失,以适应可能的数据污染。采用惩罚方法进行正则化估计和标记选择。所提出的方法是实现使用一个有效的坐标下降(CD)和最小化最大化(MM)算法。仿真结果表明,在没有污染的情况下,所提出的方法具有性能相当或优于非鲁棒替代。在污染情况下,它优于非稳健的替代方案,并且在某些情况下,可以优于基于分位数回归的稳健方法。该方法被应用到TCGA(癌症基因组图谱)肺癌数据的分析。它识别与使用替代方案的交互不同的交互。所鉴定的标记物具有重要的意义和令人满意的稳定性。
2015-05-14 stat.AP
Estimating Effects and Making Predictions from Genome-Wide Marker Data
在全基因组关联研究(GWAS)中,数十万个遗传标记(SNP)被测试与性状或表型的关联。报告的影响往往比这些标志物的真实影响更大,即所谓的“赢家的诅咒”。我们认为无偏性的经典定义在这种情况下是没有用的,并建议使用一个不同的无偏性定义,这是我们所提倡的估计量的一个属性。我们提出了一个综合的方法来估计SNP效应和预测性状值,将SNP效应视为随机效应而不是固定效应。传统上用于预测家畜遗传学中的性状值的统计方法,早于SNP数据的可用性,可以应用于GWAS的分析,从而更好地估计SNP效应并预测个体的表型和遗传值。
2010-10-22 q-bio.GN stat.ME
Efficient inference of parental origin effects using case-control mother-child genotype data
父母起源效应在哺乳动物的发育和疾病中起着重要的作用。病例对照母子配对基因型数据可用于检测亲本来源效应,在实践中收集起来往往很方便。大多数现有的评估亲本来源影响的方法不包括任何协变量,这可能需要控制混杂因素。我们建议通过一个逻辑斯谛回归模型来模拟父母来源的影响,预测因子包括母亲和孩子的基因型,父母的起源,和协变量。亲本来源可能无法完全从目标遗传标记的基因型推断,因此我们建议使用与目标标记紧密连锁的标记的基因型来提高推断效率。一个计算上强大的统计推断程序开发的基础上,在一个回顾性的方式修改配置文件的可能性。设计了一种计算上可行的期望最大化算法来估计修改后的轮廓似然中涉及的所有未知参数。该算法与传统的期望最大化算法的不同之处在于,它是基于修改的而不是原始的轮廓似然函数。在较弱的正则条件下证明了算法的收敛性。这种期望最大化算法还允许方便地处理缺失的子基因型。在较弱的正则条件下,证明了估计量的弱相合性、渐近正态性和渐近有效性。有限的样本属性进行评估,通过广泛的模拟研究和应用到一个真正的数据集。
2022-08-10 stat.ME
LMM-Lasso: A Lasso Multi-Marker Mixed Model for Association Mapping with Population Structure Correction
探索可遗传性状的遗传基础仍然是生物医学研究的核心挑战之一。在简单的情况下,单个多态位点解释了表型变异的一个重要部分。然而,许多感兴趣的性状似乎受到遗传基因座组的多因素控制。这种多元关联的准确检测是不平凡的,往往受到有限的权力。与此同时,混杂的影响,如人口结构,导致虚假的关联信号,导致假阳性结果,如果他们没有考虑在模型中。在这里,我们提出了LMM-Lasso,一个混合模型,允许两个,多位点映射和校正混杂效应。我们的方法是简单的,没有调整参数,有效地控制人口结构和规模的全基因组数据集。我们通过回顾性分析展示了其在全基因组关联研究和连锁作图中的实际应用。在拟南芥和小鼠的数据中,我们的方法能够在91%的表型中找到显着更大比例的表型变异的遗传原因。与此同时,我们的模型将这种变异性分解为个体SNP效应和群体结构引起的组分。除了遗传可遗传性的增加,已知候选基因的丰富表明LMM-Lasso检索的关联更有可能是真实的。
2012-09-21 q-bio.GN q-bio.PE q-bio.QM
The GenoChip: A New Tool for Genetic Anthropology
基因图谱项目是一项国际努力,利用基因数据绘制人类迁徙历史。该项目是非营利和非医疗性的,并通过其遗产基金支持当地领导的保护土著和传统文化的努力。在第二阶段,该项目将重点放在整个基因组的标记上,以更全面地了解人类遗传变异。尽管存在许多用于全基因组SNP基因分型的商业阵列,但它们被设计用于医学遗传学研究,并且包含不适合全球人群遗传学研究的医学相关标记。基因芯片,基因组学项目的新基因分型阵列,旨在解决这些问题,并使更高分辨率的研究在遗传人类学的突出问题。我们开发了新的方法来识别AIM和基因组区域,这些区域可能富含与祖先人类共享的等位基因。总的来说,我们从450多个人群中收集并确定了AIM。该芯片包含前所未有数量的Y染色体和mtDNA SNP以及来自常染色体和X染色体的超过130,000个SNP,经过仔细审查,以避免包含医学相关标记。GenoChip结果已成功验证。为了证明其能力,我们比较了基因芯片SNP的FST分布与三个大陆人群的两个商业阵列。虽然所有阵列产生类似形状的(倒J)FST分布,基因芯片常染色体和X染色体分布具有最高的平均FST,证明其辨别亚群的能力。GenoChip是一个专门用于遗传人类学的基因分型平台,有望成为评估人口结构和迁移历史的最强大工具。
2012-12-17 q-bio.GN q-bio.PE
GWGGI: software for genome-wide gene-gene interaction analysis
背景资料:虽然基因-基因相互作用在人类疾病中的重要性已得到充分认识,但识别它们一直是一个巨大的挑战,特别是通过与数百万遗传标记和数千个个体的关联研究。在高维关联研究中,识别新的基因-基因相互作用需要计算效率高、功能强大的工具。结果:我们开发了全基因组基因-基因相互作用分析(GWGGI)的C++软件。GWGGI利用基于树的算法来搜索大量的遗传标记,以考虑高阶相互作用来寻找疾病相关的联合关联,然后使用非参数统计来检验联合关联。该软件包包括两个功能:似然比Mann-whitney(LRMW)和树组装Mann-whitney(TAMW),并优化了软件的数据存储和计算效率,使全基因组分析在个人计算机上运行成为可能。GWGGI的使用通过使用具有近500 k遗传标记的两个真实数据集来证明。结论:通过实证研究,我们证明了使用GWGGI的全基因组基因-基因相互作用分析可以在个人计算机上在合理的时间内完成(即,LRMW约3.5小时,TAMW约10小时)。我们还表明,LRMW适用于检测少量具有中等至强边际效应的遗传变异之间的相互作用,而TAMW适用于检测大量低边际效应遗传变异之间的相互作用。
2015-05-05 cs.DS q-bio.GN q-bio.QM
Bayesian Method for Disease QTL Detection and Mapping, using a Case and Control Design and DNA Pooling
本文描述了一种贝叶斯统计方法,用于确定复杂遗传性状的遗传基础。该方法使用被分为两组的不相关个体的样本,例如病例和对照。假设每个组都已经使用称为DNA汇集的实验室工作效率高的技术在一组标记基因座处进行了基因分型。其目的是检测和定位一个数量性状位点(QTL),这是不是一个类型的标记。该方法的工作原理是在一些有些不切实际的简化群体遗传假设下进行精确的贝叶斯分析。尽管如此,该方法被证明是可以接受的数据集上模拟下一个更现实的模型,并进一步表现出优于经典的单点方法。
2005-07-13 q-bio.GN q-bio.PE q-bio.QM
Variance Components Genetic Association Test for Zero-inflated Count Outcomes
通常在生物医学研究中,研究收集的数据中的结果指标包含信息性的多余零;例如,当观察脑病理学研究中神经炎斑块的负担时,那些没有显示的数据有助于我们理解神经退行性疾病。结果可以用混合分布来表征,其中一个成分是“结构零”,另一个成分是泊松分布。我们提出了一种新的方差分量得分测试之间的遗传标记和零膨胀计数结果的混合分布的遗传关联。该测试与先前针对标准连续或二进制结果设计的SNP集测试(例如序列核关联测试(SKAT))共享有利特性。特别是,我们的方法具有优越的统计功效相比,竞争的方法,特别是当有相关性的标志物组内,当SNP与混合比例和泊松分布率。我们将该方法应用于拉什大学宗教秩序研究和记忆与衰老项目(ROSMAP)的阿尔茨海默病数据,作为原则的证明,我们发现与APOE基因在“结构零”和“计数”参数中具有高度显着的关联,当应用于零膨胀神经炎斑块计数结果时。
2018-01-18 q-bio.GN stat.ME
Approximating the Minimum Breakpoint Linearization Problem for Genetic Maps without Gene Strandedness
遗传图谱线性化的研究导致了一个组合难题,称为{ \em最小断点线性化}(MBL)问题。它的目的是找到一个线性化的部分订单,达到最小的断点距离的参考总订单。之前为MBL问题开发的近似算法仅适用于基因或标记表示为有符号整数的遗传图谱。然而,目前的遗传作图技术一般不指定基因链,使基因只能表示为无符号整数。在本文中,我们研究的MBL问题,在后者更现实的情况下。因此,开发了一种近似算法,该算法实现了$(m^2+2m-1)$的比率,并在$O(n^7)$时间内运行,其中$m$是用于构建输入偏序的遗传图谱的数量,而$n$是这些图谱中不同基因的总数。
2015-02-25 q-bio.GN
A Multivariate Regression Approach to Association Analysis of Quantitative Trait Network
许多复杂的疾病综合征,如哮喘,包括大量的高度相关的,而不是独立的,临床表型,提出了一个新的技术挑战,在确定同时与相关性状相关的遗传变异。在这项研究中,我们提出了一个新的统计框架,称为图形引导融合套索(GFlasso),以原则性的方式解决这个问题。我们的方法明确表示的依赖结构之间的数量性状作为一个网络,并利用这个性状网络编码结构化的正则化在一个多元回归模型的基因型和性状,使遗传标记,共同影响亚组的高度相关的性状可以检测到高灵敏度和特异性。虽然大多数传统的方法独立地检查每个表型,然后将结果结合起来,但我们的方法在一个单一的统计方法中共同分析所有性状,并借用相关表型之间的信息来发现共同干扰相关triats子集而不是单个性状的遗传标记。使用基于HapMap联盟数据和哮喘数据集的模拟数据集,我们比较了我们的方法与单标记分析的性能,以及其他稀疏回归方法,如岭回归和套索,不使用任何结构信息的性状。我们的研究结果表明,有一个显着的优势,在检测真正的因果SNPs时,我们将相关模式的性状,使用我们提出的方法。
2008-11-13 q-bio.GN q-bio.MN q-bio.QM
Markov Logic Networks in the Analysis of Genetic Data
复杂的、非加性的遗传相互作用是常见的,并且在确定表型时可能是关键的。然而,全基因组关联研究(GWAS)和连锁数据的类似统计研究在寻找基因型-表型关联时假设基因相互作用的加性模型。这些统计方法将多个基因对表型的复合效应视为每个单独基因的部分影响的总和,并且通常会错过遗传效应的实质性部分。这些方法不使用任何关于潜在基因型-表型机制的生物学知识。人工智能领域的建模方法将确定性知识纳入模型以进行统计分析,可以应用于将先验知识纳入遗传分析。我们选择使用最通用的此类方法--马尔可夫逻辑网络(MLN),作为将确定性知识与统计分析相结合的框架。使用简单的逻辑回归型MLN,我们已经能够复制传统统计方法的结果。此外,我们表明,即使是简单的模型,我们能够超越找到独立的标记与表型使用联合推理,避免了独立的假设。该方法适用于酵母孢子形成,由非线性基因相互作用的表型的遗传数据。除了检测所有先前鉴定的与孢子形成相关的基因座之外,我们的方法还能够鉴定具有小影响的四个基因座。由于它们对孢子形成的影响很小,这四个基因座没有被检测到的方法,不占标记之间的依赖性,由于基因相互作用。我们展示了如何使用更复杂的模型检测基因相互作用,这可以作为一个通用的框架,将系统生物学与遗传学。
2010-03-03 q-bio.GN q-bio.QM
Achieving GWAS with Homomorphic Encryption
研究基因如何影响人类特征的一种方法是全基因组关联研究(GWAS)。遗传标记,称为单核苷酸多态性(SNP),用于GWAS。这引起了隐私和安全问题,因为这些遗传标记可用于唯一地识别个人。这个问题由于需要大量的SNP而进一步恶化,这些SNP产生可靠的结果,但损害参与者隐私的风险更高。我们描述了一种方法,使用同态加密(HE)执行GWAS在一个安全和私人的设置。这项工作是基于一个建议的算法。我们的解决方案主要涉及同态加密矩阵运算和适当的近似,适应半并行GWAS算法的HE。我们利用CKKS加密方案的复杂空间来增加可以打包在密文中的SNP的数量。我们还开发了一个管理密文的缓存模块,减少了内存占用。我们已经在两个HE开源库HEAAN和SEAL上实现了我们的解决方案。我们最好的实现需要$24.70$分钟的时间来处理包含$245$样本、$4$协变量和$10643$ SNP的数据集。我们证明,它是可能实现GWAS与同态加密与适当的近似。
2019-08-01 cs.CR q-bio.GN stat.AP
An RNA Sequencing Analysis of Glaucoma Genesis in Mice
青光眼是导致60岁以上人群不可逆失明的主要原因,2010年占所有失明的6.6%至8%,但关于眼病的遗传起源仍有很多需要了解。随着下一代测序(NGS)技术的现代发展,科学家们开始更多地了解青光眼的遗传起源。本研究采用差异表达(DE)和基因本体(GO)分析来研究重度青光眼小鼠和多个对照组之间的遗传差异。来自NCBI(NIH)的全基因组RNA表达的视神经乳头(ONH)和视网膜数据样品用于成对比较实验。此外,主成分分析(PCA)和分散可视化方法进行测序数据的质量控制测试。还鉴定了具有偏斜基因计数的基因,因为它们可能是青光眼特定严重程度的标记基因。在该实验中发现的基因本体支持青光眼发生的现有知识,提供了结果有效的信心。未来的研究人员可以彻底研究DE和GO分析产生的基因列表,以找到小鼠青光眼的潜在激活剂或保护基因,从而开发药物治疗或基因疗法,以减缓或阻止疾病的进展。总体目标是,在未来,这种治疗方法也可以用于人类,以改善青光眼患者的生活质量,降低青光眼失明率。
2022-10-02 q-bio.GN
How Effectively Can Large Language Models Connect SNP Variants and ECG Phenotypes for Cardiovascular Risk Prediction?
University of New South Wales(新南威尔士大学);University of Surrey(萨里大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
本研究探索微调大型语言模型,利用高通量基因组遗传标记预测心脏疾病及CVD相关SNP,通过构建思维链推理任务生成疾病标签和临床推断,展现了LLMs在心血管疾病早期检测与个性化医疗中的潜力。
2025-08-10 cs.LG q-bio.GN