社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

Cell Reports | 南方医科大学朱浩团队开发深度学习算法DeepFavored,揭示适应性突变与疾病易感性关联

测序中国 • 2 年前 • 336 次点击  
人类和黑猩猩之间的基因差异仅为1%,但就是这1%的差异将人类与黑猩猩区分开来。因此,人类基因组中的许多微小变化决定了人类特有的特征。基因组的单核苷酸多态性(SNP)使人类能够适应不同的环境和生活方式,但同时也使人类容易遭受不同的病原体和疾病侵袭。目前,适应性进化和疾病易感性之间平衡的规模和细节还不清楚,这就需要确定不同人群中有多少是有利的突变。

近日,中国南方医科大学朱浩教授团队Cell Reports期刊发表了题为“Uncovering the extensive trade-off between adaptive evolution and disease susceptibility”的研究文章。研究团队开发了一种名为DeepFavored的深度学习算法,该算法通过对已有的全基因组关联研究(GWAS)数据集进行统计测试,可以区分有利突变与“搭便车”突变研究团队在三个不同的人群中验证了该工具,并确定了基因组进化的协调性:适应特定环境的突变也使人们更容易患上某些疾病,或者携带搭便车突变。

文章发表在Cell Reports

由于搭便车突变与有利突变非常相似,任何方法都很难同时准确地区分两者以及普通突变(图1)。为了避免错误识别,研究团队通过构建深度学习网络,利用不同数据组成训练网络,最后使用训练网络从统计检测的选择信号中鉴定有利突变,最终开发了DeepFavored深度学习算法。此外,研究人员系统地比较DeepFavored与iSAFE、SWIF(r)的性能,这两种方法是识别有利突变的最新方法。结果显示,DeepFavored的性能优于这两种算法,且更加稳定
图1. DeepFavored算法设计原理、输入和输出。
随后,研究团队利用真实世界的GWAS数据检测了东亚(CHB)、欧洲(CEU)、非洲(YRI)三个人群的基因组突变,并比较了DeepFavored、iSAFE和SWIF(r)的性能。该研究重点分析了与饮食相关的基因等位基因,包括与代谢或味觉以及免疫相关的基因,并假设上述三个群体需要适应与病原体和食物供应相关的不同压力。
研究人员分析了CEU、CHB和YRI中的1091个PopHumanScan基因区域,这些区域是识别有利突变的良好候选区域。最终,DeepFavored、iSAFE和SWIF(r)分别在CEU、CHB和YRI中鉴定了1,013(454、287、272)、1,219(560、487、172)和789(350、334、104)个有利突变。此外,以上三种方法共同识别了55个有利突变,研究团队利用这55个有利突变作为测试数据进一步评估了DeepFavored的性能。结果表明,由DeepFavored识别的有利突变应该是合理的

图2. 有利突变和搭便车突变在GWAS位点富集。
在确定了三个人类群体的有利突变后,研究团队综合分析了有利/搭便车突变与GWAS位点之间的相关性。通过计算有利突变、搭便车突变和普通突变的GWAS位点的比例,发现有利突变和搭车突变中GWAS位点的比例明显高于普通突变
为了检验这种基因突变协调性的潜在相关人群特异性和疾病特异性,研究团队分析了DeepFavored在CEU、CHB和YRI中识别的454、287和272个有利突变,以及附近的搭便车突变是否富含神经、代谢和免疫相关疾病/性状位点。结果表明,有利突变和搭便车突变富含GWAS位点,并且这种富集表现出人群和疾病特异性特征(图3)。
图3.不同突变的GWAS位点。
环境变化、病原体进化以及生活方式改变驱动着基因组的适应性进化。基因组区域的许多变化可能会产生有害的搭便车突变。当新的外部变化发生时,有利突变可能会变得不适应,甚至变得与疾病相关。越来越多的研究强调了适应性进化和疾病易感性之间的协调性,但其规模和细节还不清楚。研究团队开发的深度学习算法DeepFavored能够系识别有利突变,为适应性进化和疾病易感性之间的广泛协调性分析提供了证据。此外,人群特异性有利突变和疾病相关突变的联合分析,可以为精准医疗提供有价值的数据和线索。

图4. 研究概要。

参考资料:

1.Ji Tang, Maosheng Huang, Sha He, et al. Uncovering the extensive trade-off between adaptive evolution and disease susceptibility. Cell Reports, 2022. DOI:https://doi.org/10.1016/j.celrep.2022.111351

https://www.cell.com/cell-reports/fulltext/S2211-1247(22)01179-2#secsectitle0080

2.Historic Adaptations May Now Make Us Susceptible to Disease

https://www.the-scientist.com/news-opinion/historic-adaptations-may-now-make-us-susceptible-to-disease-70506

·END ·

热文推荐


华中科技大学郭安源教授团队首次鉴定单个细胞外囊泡中的RNA特征

74种疾病130万个细胞!scRNA-seq与多基因疾病风险联合揭示单细胞疾病相关性

研究证实cfDNA中含有肿瘤特异性TF结合信息,可利用血浆绘制肿瘤调控图谱

专访华大智造蒋慧博士、单日强先生:硬件软件双重核心工具助力大人群基因组研究


喜欢就点个“在看”吧

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/147570
 
336 次点击