端到端的深度学习方法用于精神分裂症的遗传风险预测

《Nature Communications》：End-to-end deep learning methods for genetic risk prediction of schizophrenia

　　

摘要

精神分裂症是一种高度遗传的精神疾病，其遗传基础非常复杂。尽管最近的关联基因组研究（GWAS）和全外显子测序分析已经发现了许多风险位点，但现有的临床预测模型主要基于线性假设，这限制了它们捕捉复杂、非线性遗传效应（如上位性）的能力。在这项研究中，我们应用端到端的基因组解释神经网络模型，利用6,135例患者和6,245例对照者的全外显子测序数据来预测精神分裂症的风险。结果表明，在样本量足够的情况下，非线性神经网络的预测性能显著优于传统的加性模型。这些发现支持了临床和数量遗传学模型应考虑等位基因及变异之间的高阶遗传相互作用的观点。为了研究我们模型的决策过程，我们在模型中整合了可解释的AI技术和生物学先验知识，利用这些技术来识别预测基因和相关通路。我们的方法不仅找出了已知的精神分裂症风险基因，还推荐了BASP1作为一项潜在的、研究不足的精神分裂症相关基因，该基因可能与神经元发育有关。