A Cross-Level Information Transmission Network for Predicting Phenotype from New Genotype: Application to Cancer Precision Medicine
City University of New York（纽约城市大学）；Hunter College, City University of New York（纽约城市大学亨特学院）
生物学和生态学中一个未解决的基本问题是在环境扰动（例如，药物治疗）。多组学数据的出现为基因型-表型关联的预测建模提供了新的机遇，但也带来了巨大的挑战。首先，基因组数据的高维性和标记数据的缺乏往往使得现有的监督学习技术不太成功。其次，整合来自不同资源的异构组学数据是一项具有挑战性的任务。最后，从DNA到表型的信息传递涉及RNA、蛋白质、代谢物等多个中间水平。基因表达）通常比较低级别的特征（例如，体细胞突变）。针对上述问题，提出了一种新的跨层次信息传输网络（CLEIT）框架。CLEIT旨在明确地模拟生物系统的非对称多层次组织。受领域自适应的启发，CLEIT首先学习高级领域的潜在表征，然后将其作为地面真值嵌入，以对比损失的形式改进低级领域的表示学习。此外，我们采用预训练微调的方法来利用未标记的异构组学数据，以提高CLEIT的泛化能力。我们证明了CLEIT在预测抗癌药物敏感性方面的有效性和性能提升，与最先进的方法相比，通过基因表达的辅助，从体细胞突变。
2020-10-09 cs.LG q-bio.GN
A New Statistical Framework for Genetic Pleiotropic Analysis of High Dimensional Phenotype Data
广泛使用的多表型遗传多效性分析通常被设计用于检查常见变体与少数表型之间的关系。它们不适合高维表型和高维基因型（下一代测序）数据。为了克服这些局限性，我们开发了稀疏结构方程模型（SEM）作为一个通用的框架，一个新的范式的遗传分析的多表型。为了将常见和罕见的变体纳入分析，我们将传统的多元SEM扩展到稀疏功能SEM。为了处理高维表型和基因型数据，我们采用函数数据分析和交替方向乘法（ADMM）技术来降低数据维数，提高计算效率。使用大规模的模拟，我们表明，所提出的方法有更高的权力，以检测真正的因果遗传多效性结构比其他现有的方法。仿真结果还表明，基于基因的多效性分析具有更高的权力比基于单一变量的多效性分析。所提出的方法适用于外显子组序列数据从NHLBI外显子组测序计划（ESP）与11个表型，它确定了一个网络与137个基因连接到11个表型和341个边缘。其中，114个基因显示出多效性遗传效应，45个基因被报道与分析中的表型或文献中的其他心血管疾病（CVD）相关表型相关。
2015-12-03 q-bio.GN stat.ME stat.ML
LSTM Autoencoder-based Deep Neural Networks for Barley Genotype-to-Phenotype Prediction
School of Information Technology, Murdoch University（默多克大学信息技术学院）；School of Medical, Molecular and Forensic Sciences, Murdoch University（默多克大学医学、分子与法医学学院）；Western Crop Genetics Alliance, Murdoch University（默多克大学西部作物遗传学联盟）；Western Australian State Agricultural Biotechnology Centre（西澳大利亚州农业生物技术中心）；Department of Primary Industries and Regional Development（初级产业与区域发展部）
本研究提出一种基于LSTM自编码器的深度神经网络模型，用于大麦基因型到表型预测，重点估计开花时间和谷物产量，实验表明该模型优于基线方法，能有效处理高维农业数据并提升预测性能。
2024-07-21 cs.LG q-bio.GN
Integrative analysis of gene expression and phenotype data
将基因型与表型联系起来是现代遗传学的根本目标。通过综合分析，我们专注于研究基因表达数据和表型数据之间的联系。我们提出了三种方法。1)表型的固有复杂性使得高通量表型分析成为非常困难和费力的过程。我们提出了一种利用基因表达相似性的自动多维分析方法。大规模的分析表明，我们的方法可以提供强大的剖析，揭示不同的表型方面的样品。这种分析技术还能够在训练数据中给出的表型信息之外进行内插和外推。它可以用于许多应用，包括促进实验设计和检测混杂因素。2)表型关联分析问题由于样本量小、维数高而变得复杂。因此，从训练数据中获得的表型相关基因子集对训练样本的选择非常敏感，并且构造的样本表型分类器往往具有较差的泛化性能。为了消除这些障碍，我们提出了一种新的方法，产生序列越来越歧视性的基因簇组合。我们在模拟和真实数据集上的实验都显示了鲁棒和准确的分类性能。3)许多复杂的表型，如癌症，不仅是基因表达的产物，而且是基因相互作用的产物。我们提出了一种综合方法来寻找在不同表型条件下激活的基因网络模块。使用我们的方法，我们发现了癌症亚型特异性网络模块，以及这些模块协调的方式。特别是，我们检测到一个乳腺癌特异性肿瘤抑制网络模块与枢纽基因，PDGFRL，这可能在这个模块中发挥重要作用。
2015-06-29 q-bio.GN q-bio.MN q-bio.QM
Inferring genotype-phenotype maps using attention models
Boston University（波士顿大学）；Harvard University（哈佛大学）；Tufts University（塔夫茨大学）；Princeton University（普林斯顿大学）
针对从基因型预测表型的遗传学核心挑战，本文将擅长捕捉上下文依赖互作的注意力模型应用于数量遗传学，在模拟和酵母实验数据中证明其在处理上位性时预测性能优于传统方法，并探索了多环境迁移学习应用。
2025-04-14 cs.LG q-bio.GN q-bio.PE
Genetic Analysis of Transformed Phenotypes
线性混合模型（Linear mixed models，LMRM）是研究基因型-表型关系的一种有效工具。一个限制性的假设是残差是高斯分布的，这一要求在实践中很少成立。违反这一假设可能导致错误的结论和功率损失，因此通常的做法是预处理表型值以使其成为高斯，例如通过应用对数或其他非线性变换。不幸的是，不同的表型需要不同的特定转化，并且选择“好的”转化通常具有挑战性和主观性。在这里，我们提出了一个扩展的LMM估计从观察到的数据的最佳转换。在对来自人类、小鼠和酵母的真实数据的广泛模拟和应用中，我们表明，使用这种最佳转换可以提高全基因组关联研究的能力，提高遗传力估计和表型预测的准确性。
2014-02-25 q-bio.GN stat.AP
Evolution of Genetic Redundancy : The Relevance of Complexity in Genotype-Phenotype Mapping
遗传冗余是普遍存在的，可以在任何生物体中找到。然而，有人认为，遗传冗余会降低总的种群适应度，因此，冗余不太可能进化。在这封信中，我们研究了一个进化模型与高维基因型-表型映射（GPM）调查的相关性的复杂性GPM的遗传冗余的进化。通过应用复制方法处理淬灭随机性，解析地得到了适应度的冗余依赖关系，证明了在GPM较复杂的情况下，遗传冗余确实是可以进化的.我们的研究结果提供了一个新的见解如何遗传冗余进化。
2013-02-09 q-bio.GN q-bio.PE
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
Multivariate Functional Regression Models for Epistasis Analysis
迄今为止，大多数表型的遗传分析都集中在分析单个性状或独立分析每个表型。然而，多个互补性状的联合上位性分析将增加统计功效，并且是理解复杂疾病的复杂遗传结构的关键。尽管它们在揭示复杂性状的遗传结构方面很重要，但用于识别多表型上位性的统计方法仍然基本上未被探索。为了填补这一空白，我们制定了一个测试两个基因之间的相互作用在多个数量性状分析作为一个多功能回归（MFRG），其中的基因型功能（遗传变异档案）被定义为基因组位置的功能的遗传变异。我们使用大规模模拟来计算它的I型错误率测试两个基因之间的相互作用与多表型，并比较其权力与多变量成对相互作用分析和单性状的相互作用分析的单变量函数回归模型。为了进一步评估其性能，将用于上位性分析的MFRG应用于来自NHLBI外显子组测序计划（ESP）的五种表型和外显子组序列数据以检测多效性上位性。共有136对基因组成了一个遗传互作网络，显示出显著的上位性影响五个性状的证据。结果表明，多表型联合互作分析比单性状互作分析具有更高的互作检测能力，为全面揭示多表型遗传结构开辟了新的方向。
2015-12-03 q-bio.GN
From Genotype to Phenotype: polygenic prediction of complex human traits
解码基因组赋予了从DNA（基因型）预测生物体特征（表型）的能力。我们描述了人类复杂性状基因组预测的现状和未来前景。一些高度可遗传的复杂表型，如身高和其他数量性状，已经可以通过DNA来预测。对于许多疾病，包括重要的常见疾病，如冠状动脉疾病、乳腺癌、I型和II型糖尿病，具有离群多基因评分的个体（例如，前几个百分比）的风险比平均水平高5倍甚至10倍。一些精神疾病，如精神分裂症和自闭症也属于这一类。我们讨论了相关的主题，如复杂性状的遗传结构，多基因评分的同胞验证，以及在成人健康，体外受精（胚胎选择）和基因工程中的应用。
2021-01-14 q-bio.GN
IntLIM: Integration using Linear Models of metabolomics and gene expression data
转录组学和代谢组学数据的整合改善了疾病相关代谢组学表型的功能解释，并促进了推定的代谢物生物标志物和基因靶点的发现。出于这个原因，这些数据越来越多地收集在大型队列中，推动了对开发新方法进行整合的需求。值得注意的是，临床/转化研究通常提供快照基因和代谢产物谱，并且通常未鉴定出大多数代谢产物。因此，在这些类型的研究中，考虑到基因-代谢物关系的复杂性的途径/网络方法可能既不适用，也不容易发现新的关系。考虑到这一点，我们提出了一个简单的线性建模方法来捕捉表型特异性基因代谢物协会，假设共调控模式反映功能相关的基因和代谢物。提出的线性模型，代谢物~基因+表型+基因：表型，通过测试一种表型中的关系是否与另一种表型中的关系显著不同（通过相互作用基因：表型p值），专门评估基因-代谢物关系是否因表型而异。计算所有可能的基因-代谢物对的相互作用p值，并根据关联的方向性对显著对进行聚类。我们将我们的方法作为R包IntLIM实现，其中包括一个用户友好的Shiny应用程序。我们将IntLIM应用于两个已发表的数据集，收集于NCI-60细胞系以及人类乳腺肿瘤和非肿瘤组织中。我们证明，IntLIM捕获相关的肿瘤特异性基因代谢物协会参与癌症相关途径。同时也发现了可以通过实验测试的新关系。IntLIM R软件包在GitHub（https：//github.com/mathrob/IntLIM）中公开提供。
2018-02-28 q-bio.GN q-bio.QM
A systematic evaluation of methods for cell phenotype classification using single-cell RNA sequencing data
Hebei University of Technology（河北工业大学）；University of Victoria（维多利亚大学）；National University of Sciences（国立科学大学）；University of Saskatchewan（萨斯喀彻温大学）
背景资料：单细胞RNA测序（scRNA-seq）产生关于基因表达的有价值的见解，并提供关于复杂组织细胞组成的关键信息。在单细胞RNA测序分析中，细胞亚型的标注往往是人工完成的，耗时且不可重复。Garnett是一个基于弹性网格法的细胞类型注释软件。除了细胞类型注释之外，监督机器学习方法也可以应用于从基因组数据预测其他细胞表型。尽管这些应用很受欢迎，但目前还没有研究系统地研究这些监督算法在各种规模的scRNA-seq数据集中的性能。方法和结果：这项研究评估了13种流行的监督机器学习算法，使用已发表的具有不同细胞大小的真实和模拟数据集对细胞表型进行分类。基准包含两个部分。在第一部分中，我们使用真实数据集来评估流行的监督算法的计算速度和细胞表型分类性能。使用AUC统计、F1评分、精确度、召回率和假阳性率来评估分类性能。在第二部分中，我们使用已发表的模拟数据集与已知的真实基因列表来评估基因选择性能。结论：研究结果表明，具有交互作用的ElasticNet在中小数据集中表现最好。NB是中等数据集的另一种适当方法。在大型数据集中，XGB工作得很好。包围算法并不显著优于单个机器学习方法。向ElasticNet添加交互可以提供帮助，并且在小数据集上的改进是显著的。
2021-10-01 cs.LG q-bio.GN stat.AP
DuctApe: a suite for the analysis and correlation of genomic and OmnilogTM Phenotype Microarray data
解决基因组的功能是当今生物学最重要和最具挑战性的任务之一。特别是将基因型与相应的表型联系起来的能力在代谢途径的重建和生物技术操作中是有意义的。在过去的几年中，OmniLogTM表型微阵列（PM）技术已被用于解决与微生物代谢功能相关的许多具体问题。然而，能够直接将PM数据与感兴趣的基因联系起来，然后提取基因表型相关性信息的计算工具仍然缺失。在这里，我们提出了DuctApe，一个套件，允许分析基因组序列和PM数据，以发现PM实验之间的代谢差异，并将它们与KEGG途径和基因存在/不存在模式相关联。作为例子，该程序的应用程序的四个细菌数据集。源代码和教程可以在http://combogenomics.github.io/DuctApe/上找到。
2013-12-13 q-bio.GN q-bio.MN
Wavelet-based genetic association analysis of functional phenotypes arising from high-throughput sequencing assays
了解遗传变异如何影响细胞水平的过程是了解它们如何影响重要的生物体水平特征或“表型”（包括人类疾病易感性）的重要一步。为此，科学家们正在进行大规模的遗传关联研究，旨在确定与分子和细胞表型相关的遗传变异，如基因表达，转录因子结合或染色质可及性。这些研究使用高通量测序分析（例如RNA-seq，ChIP-seq，DNase-seq）来获得关于每个样品中性状如何沿基因组变化的高分辨率数据。然而，典型的关联分析无法利用这些高分辨率的测量，而是以较粗的分辨率聚合数据，例如基因或固定长度的窗口。在这里，我们开发和应用统计方法，更好地利用高分辨率数据。其关键思想是将序列数据视为测量沿基因组变化的潜在“功能”，然后基于小波的功能数据分析方法，测试遗传变异与潜在功能之间的关联。应用这些方法来识别与染色质可及性（dsQTL）相关的遗传变异，我们发现，它们识别出的关联比简单的基于窗口的分析要多得多，总共我们识别出772个未被原始分析识别出的新dsQTL。
2013-07-27 q-bio.GN stat.ME
Cross-phenotype meta-analysis reveals large-scale trans-eQTLs mediating patterns of transcriptional co-regulation
影响基因调控的遗传变异是个体间表型差异的主要驱动力，可用于揭示细胞中生物过程的组织方式。虽然检测顺式eQTL现在是常规的，但反式eQTL已被证明更具挑战性，因为解释的适度方差和测试数百万个SNP与数千个转录本关联的多重测试负担。在这里，我们成功地定位trans-eQTL与互补的方法，寻找SNPs相关的多个基因的表达同时进行。我们发现732个trans-eQTL在两个大陆群体中复制;每个trans-eQTL控制大量的靶转录物（调节子），这些转录物是由转录因子控制的相互作用网络的一部分。因此，我们能够发现共同调控的基因集，并开始描述基因调控的细胞回路。
2014-02-07 q-bio.GN
Inferring Disease and Gene Set Associations with Rank Coherence in Networks
University of Minnesota Twin Cities（明尼苏达大学双城分校）；Nankai University（南开大学）
验证在高通量基因组研究中鉴定的候选疾病基因的计算挑战是阐明候选基因集与疾病表型之间的关联。传统的基因集富集分析往往无法揭示疾病表型和基因集之间的关联，因为现有的致病基因的注释是不完整的。我们提出了一种基于网络的计算方法，称为rcNet，以发现基因集和疾病表型之间的关联。假设相干关联的基因之间的相关性排序的查询基因集，和疾病表型排序的相关性隐藏的目标疾病表型的查询基因集，我们制定了一个学习框架，最大限度地提高排名的一致性相对于已知的疾病表型基因的关联。一个有效的算法耦合岭回归和标签传播，并引入两个变种，以找到最佳的解决方案的框架。我们评估了rcNet算法和现有的基线方法，其中包括留一交叉验证和预测OMIM中最近发现的疾病-基因关联的任务。实验表明，与基线相比，rcNet算法实现了最佳的整体排名。为了进一步验证性能的可重复性，我们应用该算法来识别从最近的GWAS、DNA拷贝数变异分析和基因表达谱研究中获得的新候选疾病基因的靶疾病。在所有三个案例研究的许多情况下，算法将候选基因的靶疾病排在排名列表的顶部。rcNet算法可作为疾病和基因集关联分析的网络工具在http://compbio.cs.umn.edu/dgsa_rcNet上获得。
2011-02-18 cs.AI cs.LG q-bio.GN
PhenoGnet: A Graph-Based Contrastive Learning Framework for Disease Similarity Prediction
School of Computing Clemson University Clemson, SC, U.S.A.（计算学院 哥伦比亚大学 哥伦比亚，南卡罗来纳州，美国）
本文提出PhenoGnet，一种基于图的对比学习框架，通过整合基因功能网络与HPO并利用GCN、GAT及共享权重MLP对齐基因与表型嵌入来预测疾病相似性，在精选基准上表现优于现有方法。
2025-09-17 cs.AI cs.LG q-bio.GN
Increased entropy of signal transduction in the cancer metastasis phenotype
对生物网络的统计特性的研究带来了重要的生物学见解，例如枢纽和层次模块的存在。在癌症基因组学的背景下，人们对研究网络的统计特性也越来越感兴趣。然而，对于癌症和正常细胞生理学之间或不同癌细胞表型之间的网络特征有何不同，人们知之甚少。基于频繁的基因组改变是更具侵袭性的癌症表型的基础这一观察结果，我们询问这种效应是否可以作为局部基因表达模式随机性的增加来检测。使用乳腺癌基因表达数据集和蛋白质相互作用的模型网络，我们得到约束加权网络定义的随机信息流矩阵，反映相互作用的蛋白质之间的表达相关性。基于这个随机矩阵，我们提出并计算了一个熵测度，它量化了单个基因周围信息流局部模式的随机性程度。通过比较非转移性与转移性乳腺癌网络中的局部熵，我们在这里表明，转移性乳腺癌的特征是局部表达模式的随机性程度小而显着增加。我们在另外三个乳腺癌表达数据集中验证了这一结果，并证明局部熵比其他非熵指标更好地表征了转移表型。我们表明，熵的增加可用于识别乳腺癌转移中涉及的基因和信号通路。因此，进一步探索这种整合的癌症表达和蛋白质相互作用网络将是一项富有成效的努力。
2010-08-01 q-bio.GN q-bio.MN
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
Learnable Group Transform: Enhancing Genotype-to-Phenotype Prediction for Rice Breeding with Small, Structured Datasets
针对水稻育种中样本小、遗传结构复杂导致G2P预测精度不足的问题，提出LGT分组变换方法，融合线性模型与机器学习，在Rice529上显著提升多性状预测精度。
2025-03-14 q-bio.GN
Direct genetic effects and their estimation from matched case-control data
在遗传关联研究中，单个标记通常与多个相关的表型相关（例如，肥胖和心血管疾病，或尼古丁依赖和肺癌）。一个普遍的问题是，该标记是否对所有表型都有独立的影响。在这篇文章中，我们解决这个问题，通过评估是否有一个直接的遗传效应的一个表型，是不是通过其他表型介导的。特别是，我们研究如何识别和估计（匹配）病例对照数据的基础上，这种直接的遗传效应。我们讨论的条件下，这些影响是可识别的（匹配）病例对照数据。我们发现，直接遗传效应有时可以通过标准回归方法估计，有时可以通过更一般的G估计方法估计，该方法以前曾被提出用于随机样本和非匹配病例对照研究（Vansteelandt，2009），并在此扩展到匹配病例对照研究。结果用于评估FTO基因是否与心肌梗死相关，而不是通过对肥胖的影响。
2011-12-21 q-bio.GN stat.ME
Rank discriminants for predicting phenotypes from RNA expression
用于分析大规模生物分子数据的统计方法在计算生物学中是常见的。一个值得注意的例子是根据基因表达数据进行表型预测，例如检测人类癌症、区分亚型和预测临床结果。然而，临床应用仍然很少。一个原因是，标准统计学习中产生的决策规则的复杂性阻碍了生物学的理解，特别是任何机械解释。在这里，我们探讨决策规则的二进制分类只利用几个基因之间的表达顺序，然后两个基因表达比较的基本积木。最简单的例子，只是一个比较，是TSP分类器，它出现在各种癌症相关的发现研究中。基于多重比较的决策规则可以更好地适应类别异质性，从而提高准确性，并可能提供与生物机制的联系。我们考虑一个一般的框架（“排名上下文”）设计判别函数，包括数据驱动的选择的数量和身份的基因的支持（“上下文”）。然后，我们专注于两个例子：几对之间的投票和比较两组基因的中位数表达。综合实验评估了相对于其他更复杂方法的准确性，并强化了早期的观察结果，即简单分类器具有竞争力。
2014-11-21 q-bio.GN stat.AP
