训练数据准备与特征工程
构建用于区分致病性和良性串联重复的标注数据集及特征集。
使用40个已知致病性重复和745个良性重复（来自1000 Genomes Project中常见扩增），并注释了30种基因组特征、定量特征（pLI、LOEUF、GERP）、基序特征和表达组织。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
RExPRT：一种预测串联重复位点致病性的机器学习工具
RExPRT: a machine learning tool to predict pathogenicity of tandem repeat loci
实验完整度
中研究包含明确的机器学习模型训练、验证和独立测试，以及应用于2982例UDN基因组的外推验证，但缺乏湿实验功能验证。
主要模型
人类参考基因组（hg19）中的串联重复位点 1000 Genomes Project对照样本 Undiagnosed Diseases Network（UDN）队列基因组
重点核对
训练数据集包含40个已知致病性串联重复和754个良性对照 测试数据集包含21个致病性串联重复和83个稀有良性重复 使用留一法交叉验证评估模型性能 特征注释基于hg19参考基因组坐标 UDN样本处理使用BWA比对至GRCh38、GATK BQSR及ExpansionHunter Denovo检测
摘要
串联重复序列的扩增导致约60种单基因疾病。我们预期发现额外的致病性重复扩增将缩小许多疾病的诊断差距。越来越多的串联重复扩增被识别出来，对其进行解读是一项挑战。我们提出了RExPRT（重复扩增致病性预测工具），一种用于区分致病性和良性串联重复扩增的机器学习工具。我们的结果表明，集成方法以93%的平均精确度和83%的召回率对串联重复进行分类。RExPRT的高精确度在大规模发现研究中将很有价值，这类研究需要对候选位点进行优先排序以供后续研究。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何利用机器学习方法准确区分致病性和良性的串联重复扩增，以辅助稀有单基因疾病的诊断？
- 核心机制
- 致病性串联重复富集于外显子、启动子、3'UTR、5'UTR、TAD边界、RAD21结合位点、eTRs及神经系统表达基因，且与已知疾病基序、纯GC基序、polyQ和polyA基序相关。
- 主要证据
- 基于40个已知致病和754个良性串联重复训练，SVM与XGB集成模型在测试集上达到94.12%精确度和76.19%召回率；对约800,000个参考重复预测，约30,000个被分类为致病性。
- 研究意义
- RExPRT是首个适用于早发和晚发串联重复驱动的罕见单基因疾病的工具，可对候选位点进行优先排序以减少后续实验验证负担，并为未来类似工具奠定基础。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
模型训练与评估
评估多种机器学习模型并选择最优模型以建立RExPRT。
测试了七种模型（逻辑回归、KNN、SVM、RF、DT、XGB、LDA），使用留一法交叉验证评估性能，并选择SVM与XGB进行集成。
特征选择与超参数调优
优化模型性能并减少过拟合风险。
通过特征重要性图、排列重要性图和相关图移除低贡献或高度相关的特征，并使用GridSearchCV微调SVM和XGB超参数。
测试集独立验证
评估模型在未见数据上的泛化能力。
使用21个额外致病性重复和83个稀有良性重复作为测试集，评估RExPRT性能。
参考基因组大规模预测
预测人类参考基因组中所有潜在致病性串联重复。
将RExPRT应用于hg19中836,545个基序长度3-8 bp的串联重复，并对预测结果进行基因组特征富集分析。
UDN队列应用
在真实患者队列中评估RExPRT的临床应用价值。
处理2982个UDN基因组，通过异常值流水线识别稀有重复扩增，并对候选重复运行RExPRT预测致病性。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据处理和比对 | Burrows-Wheeler比对器 | -- | -- |
| Picard工具MarkDuplicates | -- | -- | |
| 基因组分析工具包 | -- | -- | |
| 重复扩增检测 | ExpansionHunter Denovo | -- | -- |
| ExpansionHunter | -- | -- | |
| 基因坐标转换 | UCSC LiftOver | -- | -- |
| 机器学习和数据处理 | Scikit-Learn | -- | -- |
| 数据分析 | R | -- | -- |
| 基序分析 | S2SNet | -- | -- |
| 区间重叠分析 | bedtools fisher | -- | -- |
| 长读长测序验证 | Oxford Nanopore长读长测序 | Oxford Nanopore | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 训练数据的构建 | 40个已知致病性串联重复的列表；754个良性重复的筛选标准（>175 bp且在超过1%的1000 Genomes Project对照样本中出现） 阅读提示：Materials and methods - “Identification of significant data features”和“Training and testing dataset creation and preprocessing” |
| 特征注释 | 30种注释数据集的来源；定量特征（pLI、LOEUF、GERP）的具体版本；S2SNet默认参数 阅读提示：Materials and methods - “Identification of significant data features”和“Quantitative and multivalued features” |
| 模型训练与评估 | 七种测试模型的超参数设置；LOOCV过程；集成方法中SVM和XGB的阈值（0.5） 阅读提示：Materials and methods - “Model testing and assessment”和“Ensemble method” |
| UDN样本处理 | BWA比对参数（默认？）；GATK BQSR具体版本；EHDn参数“--min-unit-len 3 --max-unit-len 8”；异常值流水线的筛选标准（锚定IRR≥5、对照频率<1%、排除基因间区域） 阅读提示：Materials and methods - “Undiagnosed Diseases Network (UDN) sample processing”和“Outlier pipeline” |