DeepVRegulome: DNABERT-based deep-learning framework for predicting the functional impact of short genomic variants on the human regulome
Created by
Haebom
Category
Empty
저자
Pratik Dutta, Matthew Obusan, Rekha Sathian, Max Chao, Pallavi Surana, Nimisha Papineni, Yanrong Ji, Zhihan Zhou, Han Liu, Alisa Yurovsky, Ramana V Davuluri
개요
Deep VRegulome은 인간 레귤롬에서 기능적으로 파괴적인 변이를 예측하고 해석하기 위한 딥러닝 방법론입니다. 700개의 DNABERT 정밀 조정 모델을 결합하여 변이 점수, 모티프 분석, 주의 기반 시각화 및 생존 분석을 수행합니다. TCGA 교모세포종 WGS 데이터 세트에 적용하여 생존 관련 변이와 조절 영역의 우선순위를 정하는 데 사용되었습니다. 총 572개의 스플라이스 파괴 변이와 9,837개의 전사 인자 결합 부위 변이가 교모세포종 샘플의 10% 이상에서 발견되었습니다. 생존 분석을 통해 1352개의 변이와 563개의 파괴된 조절 영역이 환자 결과와 연관되었으며, 비코딩 변이 시그니처를 통한 계층화를 가능하게 했습니다. 모든 코드, 정밀 조정 모델 및 대화형 데이터 포털이 공개적으로 제공됩니다.
시사점, 한계점
•
시사점:
◦
Deep VRegulome은 레귤롬 내 기능적으로 파괴적인 변이를 예측하고 해석하는 새로운 딥러닝 방법론을 제시합니다.
◦
교모세포종 WGS 데이터 세트에 적용하여 임상적으로 관련된 변이와 조절 영역을 식별하는 데 성공했습니다.
◦
생존 분석을 통해 환자 예후와 관련된 변이를 발견하고, 비코딩 변이 시그니처를 통한 계층화를 가능하게 했습니다.
◦
코드, 모델 및 데이터 포털을 공개하여 연구의 재현성과 확장을 용이하게 합니다.
•
한계점:
◦
논문에서 구체적인 한계점은 제시되지 않았습니다.
◦
다른 암종이나 질병에 대한 적용 가능성은 추가 연구가 필요합니다.
◦
딥러닝 모델의 해석 가능성 (예: 주의 기반 시각화)에 대한 추가적인 설명이 필요할 수 있습니다.
