論文の概要: Interpreting artificial neural networks to detect genome-wide association signals for complex traits

• arxiv url: http://arxiv.org/abs/2407.18811v2
• Date: Mon, 10 Feb 2025 22:55:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:03:03.439660
• Title: Interpreting artificial neural networks to detect genome-wide association signals for complex traits
• Title（参考訳）: 複雑な形質に対するゲノムワイド関連信号検出のための人工ニューラルネットワークの解釈
• Authors: Burak Yelmen, Maris Alver, Merve Nur Güler, Estonian Biobank Research Team, Flora Jay, Lili Milani,
• Abstract要約: 我々は人工ニューラルネットワークを訓練し、シミュレーションと実際のジェノタイプフェノタイプデータセットの両方を用いて複雑な特徴を予測する。 統合失調症に合併した多発性座位を指摘された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Investigating the genetic architecture of complex diseases is challenging due to the multifactorial and interactive landscape of genomic and environmental influences. Although genome-wide association studies (GWAS) have identified thousands of variants for multiple complex traits, conventional statistical approaches can be limited by simplified assumptions such as linearity and lack of epistasis in models. In this work, we trained artificial neural networks to predict complex traits using both simulated and real genotype-phenotype datasets. We extracted feature importance scores via different post hoc interpretability methods to identify potentially associated loci (PAL) for the target phenotype and devised an approach for obtaining p-values for the detected PAL. Simulations with various parameters demonstrated that associated loci can be detected with good precision using strict selection criteria. By applying our approach to the schizophrenia cohort in the Estonian Biobank, we detected multiple loci associated with this highly polygenic and heritable disorder. There was significant concordance between PAL and loci previously associated with schizophrenia and bipolar disorder, with enrichment analyses of genes within the identified PAL predominantly highlighting terms related to brain morphology and function. With advancements in model optimization and uncertainty quantification, artificial neural networks have the potential to enhance the identification of genomic loci associated with complex diseases, offering a more comprehensive approach for GWAS and serving as initial screening tools for subsequent functional studies.
• Abstract（参考訳）: 複雑な疾患の遺伝的構造を調べることは、ゲノムおよび環境影響の多因子的かつインタラクティブな景観のために困難である。 ゲノムワイド・アソシエーション研究 (GWAS) では、複数の複雑な形質に対する数千の変種が同定されているが、従来の統計手法はモデルにおける線形性やエピスタシスの欠如といった単純な仮定によって制限される。 本研究では、シミュレーションと実際の遺伝子型フェノタイプデータセットの両方を用いて、複雑な特性を予測するために、ニューラルネットワークを訓練した。 対象の表現型に対する潜在的関連遺伝子座(PAL)を同定するために, 異なる事後解釈法を用いて特徴量スコアを抽出し, 検出されたPALのp値を求めるアプローチを考案した。 各種パラメータを用いたシミュレーションでは、厳密な選択基準を用いて、適切な精度で関連する座位を検出できることを示した。 エストニアのバイオバンクにおける統合失調症コホートへのアプローチを応用し,本疾患に合併した多発性座位を同定した。 PALとlociは統合失調症と双極性障害に関連付けられており、同定されたPAL内の遺伝子が豊富に分析され、主に脳の形態や機能に関連する用語が強調された。 モデル最適化と不確実性定量化の進歩により、人工知能は複雑な疾患に関連するゲノム座の同定を強化し、GWASのより包括的なアプローチを提供し、その後の機能研究のための初期スクリーニングツールとして機能する可能性がある。

関連論文リスト

• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本研究では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデルを提案する。 このモデルは分子生物学の中心的なドグマに固執し、タンパク質のコード配列を正確に生成する。 また、特にプロモーター配列の即応的な生成を通じて、シーケンス最適化において大きな可能性を示している。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Integrating Large Language Models for Genetic Variant Classification [12.244115429231888]
  大型言語モデル (LLM) は遺伝学においてトランスフォーメーションツールとして登場した。 本研究では,GPN-MSA,ESM1b,AlphaMissenseを含む最先端LLMの統合について検討した。 提案手法は,よく注釈付けされたProteinGymとClinVarのデータセットを用いて,これらの統合モデルを評価する。
  論文  参考訳（メタデータ） (2024-11-07T13:45:56Z)
• An Association Test Based on Kernel-Based Neural Networks for Complex Genetic Association Analysis [0.8221435109014762]
  従来のニューラルネットワークと線形混合モデルの強度を相乗化するカーネルベースニューラルネットワークモデル(KNN)を開発した。 MINQUEに基づく遺伝子変異と表現型との結合性を評価する試験。 線形および非線形/非付加的遺伝子効果の評価と解釈のための2つの追加試験。
  論文  参考訳（メタデータ） (2023-12-06T05:02:28Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Genetic heterogeneity analysis using genetic algorithm and network science [2.6166087473624318]
  ゲノムワイド・アソシエーション(GWAS)は、疾患に感受性のある遺伝的変数を同定することができる。 遺伝的効果に絡み合った遺伝的変数は、しばしば低い効果サイズを示す。 本稿では,FCSNet(Feature Co-Selection Network)という,GWASのための新しい特徴選択機構を提案する。
  論文  参考訳（メタデータ） (2023-08-12T01:28:26Z)
• Conditionally Invariant Representation Learning for Disentangling Cellular Heterogeneity [25.488181126364186]
  本稿では,不必要な変数や乱れに条件付き不変な表現を学習するために,ドメインの可変性を活用する新しい手法を提案する。 単細胞ゲノム学におけるデータ統合など,生物の課題に対して本手法を適用した。 具体的には、提案手法は、対象のタスクと無関係なデータバイアスや興味の因果的説明から生物学的信号を解き放つのに役立つ。
  論文  参考訳（メタデータ） (2023-07-02T12:52:41Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• rfPhen2Gen: A machine learning based association study of brain imaging phenotypes to genotypes [71.1144397510333]
  56個の脳画像QTを用いてSNPを予測する機械学習モデルを学習した。 アルツハイマー病(AD)リスク遺伝子APOEのSNPは、ラスソとランダムな森林に対して最低のRMSEを有していた。 ランダム・フォレストは、線形モデルによって優先順位付けされなかったが、脳関連疾患と関連があることが知られている追加のSNPを特定した。
  論文  参考訳（メタデータ） (2022-03-31T20:15:22Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。