Nat Commun：深度学习模型分析人类复杂疾病的准确性
2020-09-22 xiaozeng MedSci原创
既往研究显示，通过全基因组关联研究（GWAS）分析鉴定出的疾病风险变异主要位于基因组的非编码区域中。因此，全基因组图谱的深度学习模型在预测DNA序列的调控作用方面存在着巨大的潜力。然而，目前深度学习尚
既往研究显示，通过全基因组关联研究（GWAS）分析鉴定出的疾病风险变异主要位于基因组的非编码区域中。因此，全基因组图谱的深度学习模型在预测DNA序列的调控作用方面存在着巨大的潜力。然而，目前深度学习尚未能完全解析人类复杂疾病的信息。
该研究主要使用两个已有的深度学习模型：DeepSEA和Basenji，基于一系列编码、保守和监管注释，针对应用分层连锁不平衡(LD)评分回归划分的41种疾病和性状评估全基因组的SNP位点注释。研究人员通过对所有（11个血液样本和8个大脑样本）性状的荟萃分析汇总了所有组织或细胞类型的功能注释。
深度学习模型等位基因效应分析
研究人员发现这些注释高度富集于疾病的遗传学层面，与非组织特异性的等位基因效应分析相似，血液特异性和脑特异性等位基因效应的分析Basenji模型注释通常优于DeepSEA模型，能够产生更高的富集度和唯一的有条件意义的注释。
综上，该研究结果显示，深度学习模型目前仍未充分发挥其潜力，该模型可以为复杂的疾病提供可观的独特信息，然而目前还无法从预测的监管注释中推断出该信息的准确。
原始出处：
Dey, K.K., van de Geijn, B., Kim, S.S. et al. Evaluating the informativeness of deep learning annotations for human complex diseases. Nat Commun 11, 4703 (17 September 2020).
作者：xiaozeng
版权声明：
本网站所有注明“来源：梅斯医学”或“来源：MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明“来源：梅斯医学”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#准确性#
31
#COMMUN#
27
#Nat#
31
#深度学习模型#
45
#深度学习#深度学习模型目前仍未充分发挥其潜力，该模型可以为复杂的疾病提供可观的独特信息，然而目前还无法从预测的监管注释中推断出该信息的准确。
172