CN111540407B - 一种整合多种神经发育性疾病筛选候选基因的方法 - Google Patents
一种整合多种神经发育性疾病筛选候选基因的方法 Download PDFInfo
- Publication number
- CN111540407B CN111540407B CN202010288066.0A CN202010288066A CN111540407B CN 111540407 B CN111540407 B CN 111540407B CN 202010288066 A CN202010288066 A CN 202010288066A CN 111540407 B CN111540407 B CN 111540407B
- Authority
- CN
- China
- Prior art keywords
- genes
- gene
- disease
- candidate genes
- variation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012216 screening Methods 0.000 title claims abstract description 10
- 208000029726 Neurodevelopmental disease Diseases 0.000 title claims description 22
- 201000010099 disease Diseases 0.000 claims abstract description 72
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 72
- 230000035772 mutation Effects 0.000 claims abstract description 32
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 6
- 230000002939 deleterious effect Effects 0.000 claims description 13
- 230000001717 pathogenic effect Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013398 bayesian method Methods 0.000 claims description 3
- 102000004169 proteins and genes Human genes 0.000 claims description 3
- 108091092724 Noncoding DNA Proteins 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 230000001627 detrimental effect Effects 0.000 claims 5
- 230000004770 neurodegeneration Effects 0.000 claims 3
- 208000015122 neurodegenerative disease Diseases 0.000 claims 3
- 230000007812 deficiency Effects 0.000 claims 1
- 230000030363 nerve development Effects 0.000 claims 1
- 238000006467 substitution reaction Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 210000005036 nerve Anatomy 0.000 abstract 4
- 208000012239 Developmental disease Diseases 0.000 abstract 2
- 208000026350 Inborn Genetic disease Diseases 0.000 abstract 1
- 208000016361 genetic disease Diseases 0.000 abstract 1
- 238000001228 spectrum Methods 0.000 abstract 1
- 238000001558 permutation test Methods 0.000 description 8
- 230000002068 genetic effect Effects 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 4
- 208000012902 Nervous system disease Diseases 0.000 description 3
- 208000025966 Neurological disease Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 230000004186 co-expression Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004777 loss-of-function mutation Effects 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 230000006916 protein interaction Effects 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 108020004705 Codon Proteins 0.000 description 1
- 108020004414 DNA Proteins 0.000 description 1
- 238000012351 Integrated analysis Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010201 enrichment analysis Methods 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001123 neurodevelopmental effect Effects 0.000 description 1
- 230000003950 pathogenic mechanism Effects 0.000 description 1
- 239000013610 patient sample Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000019491 signal transduction Effects 0.000 description 1
- 108700026220 vif Genes Proteins 0.000 description 1
- 238000007482 whole exome sequencing Methods 0.000 description 1
- 238000012070 whole genome sequencing analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Biotechnology (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明适用于神经疾病技术领域，提供了一种整合多种神经发育性疾病基因不同类别变异数据筛选候选基因的方法，基于最大似然估计的方法评估的某种疾病或某一类疾病的候选基因数目，基于贝叶斯模型方法同时结合期望基因变异率，病例变异负荷等数据鉴定神经疾病候选基因，具有整合多种神经发育疾病多种类别变异数据的新思路，克服单种疾病和单种变异统计效应不足的问题，为鉴定新的候选基因、增强基因可信度提供了新方法。通过已知基因来验证本方法的可靠程度，可以根据疾病队列变异谱的分布情况寻找新的候选基因，同时该方法可以扩展到其他重大遗传疾病中。
Description
技术领域
本发明属于神经疾病领域，尤其涉及一种整合多种神经发育性疾病筛选候选基因的方法。
背景技术
神经发育疾病由于其高的发病率和致残率，给个人和社会带来了很大的痛苦和负担。这类疾病种类繁多同时又表现出高度的临床异质性，给疾病的诊断和后续针对性的治疗带来了很大的困扰。目前对于疾病的诊断主要是根据病人或家属描述的表型和医生观察到的行为来判断。这些临床表型信息基本上都是根据以往专家总结的结果，并没有统一的生物学指标进行判断。
神经发育疾病高的遗传度为研究疾病之间的相关性以及理解疾病的致病机制提供了很好的机会。以往的研究发现，在不同的神经发育疾病有很高的遗传相似度，并试图通过全基因组关联方法寻找可能的候选基因。但是这种方法找的候选基因数目非常少，紧能够解释很少的致病原因。由于不同种类神经疾病之间在临床表型和遗传机制上有很高概率的重叠，因此可以整合多种神经类疾病寻找可能的疾病候选基因。目前多个研究机构通过全外显子组或者全基因组测序方法检测新发变异(即只在患者中出现而在父母基因组中没有检测到的变异)并且能够找到许多候选基因。这种新发变异的很强功能破坏性，能够显著导致个体表型的改变。
以往有方法通过整合不同的疾病变异数据寻找候选基因。但是这些方法目前有比较多的局限性，存在如下缺陷：
(1)只考虑变异位点是否在已知可能候选基因上，这种方式虽然能够可能进行表型诊断，但是不能发现新的候选基因。
(2)对于一个基因上出现多个可能有害变异，也不一定是候选基因。还需要考虑单个基因的变异率，所检测的病人数目，以及期望候选基因数目等参数。
(3)以往的方法只考虑DNA水平变异和疾病的关系，并没有考虑组织特异性表达水平数据，蛋白水平等信息。所得到的证明可信度需要进一步分析。
(4)没有真正考虑整合分析，以往方法只是单独疾病分析并做多个疾病候选比较，来研究不同疾病之间的遗传相关性。
发明内容
本发明提供一种整合多种神经发育性疾病筛选候选基因的方法，旨在整合多种神经发育疾病新思路鉴定新的候选基因和增强基因可信度。
本发明是这样实现的，一种整合多种神经发育性疾病筛选候选基因的方法，包括以下步骤：
S1、通过最大似然估计法评估候选基因，得到每种疾病可能的候选基因数目；
S2、同时将疾病变异负荷，变异率，评估候选基因数目参数考虑在内，根据每个基因上所携带的功能缺失变异和有害错义变异以及所检测的患者数目等，进行综合评估得到单个基因水平的贝叶斯因子和根据该贝叶斯因子判定候选基因假阳性的概率值；
S3、根据基因水平的数据进一步综合评估候选基因的可信度。
所述通过最大似然估计法评估候选基因，得到每种疾病可能的候选基因数目，具体为：
定义疾病所有功能缺失变异和有害错义变异的数目(K)，同一个基因在不同患者中检测到两个及以上缺失变异和有害错义变异的基因数目(R)和功能缺失变异和有害错义变异对疾病有贡献的比例(E)；
做一百万次置换检验，在每次置换检验中从所有编码基因中随机抽取一定比例的候选基因(T)(取值范围为1-2500)以及根据二项分布(K，E)抽取一定比例的变异数(C)；
把对疾病有贡献的功能缺失变异和有害错义变异数(C)分配到候选基因(T)以及把对疾病无贡献的有害变异(K-C)分配给其他基因；
每次置换检验统计抽取到两次及以上基因的数目，如果这个数目和实际观测到的数目相同就认为这次抽取的候选基因(T)为该疾病可能的致病基因数目；
所有的置换检验结束后，根据所有得到可能的致病基因数目得到一个先验概率分布曲线，概率最高的点所对应的候选基因数目为最可能是和疾病相关的基因数目。
优选的，所述同时将疾病变异负荷，变异率，预测候选基因数目参数考虑在内，根据每个基因上所携带的功能缺失变异和有害错义变异以及所检测的患者数目等，进行综合评估得到单个基因水平的贝叶斯因子和根据该贝叶斯因子判定候选基因假阳性的概率值，具体为：
观测在N个家系中出现的变异数目和期望的数目2Nμ，μ表示特定基因的变异率，利用贝叶斯方法来比较H0和H1两个模型，H0为基因不是致病基因，H1为基因为致病基因；当H0成立，期望变异的数目为2Nμ；当H1成立，期望变异的数目为2Nμγ，这里的γ表示相对危险度，γ大于1表示可能是致病基因；
将贝叶斯因子定义为成为H1的概率除以H0的概率；根据贝叶斯定理确定H1为阳性的概率，贝叶斯因子大于1表示H1可能为阳性，贝叶斯因子大于100表示很强的证明H1为阳性；
将不同变异类型得到的贝叶斯因子相乘，每一种变异类型都会单独得到一个贝叶斯因子，把所有贝叶斯因子相乘，得到基因水平贝叶斯因子。
利用贝叶斯FDR的方法来控制假阳性率，每一个基因会得到一个FDR值，即q-value；
定义q-value小于一个预设值A，且0≦A≦1，表示有A概率得到的基因可能是错误的。
优选的，还包括：在执行步骤S1之前，将检测到的变异进行基因组功能注释，以将变异的类别分为功能缺失变异、有害错义变异、可耐受错义变异、同义变异和非编码区域变异。
优选的，所述候选基因的可信度具体为：基因在疾病相关组织特异性表达的高低，与已知疾病相关基因之间存在共表达和蛋白质相互作用的程度，显著富集在已知与神经发育疾病相关的通路上。
与现有技术相比，本发明的有益效果是：
1、通过已有基因来验证本方法的可靠程度，另外可以根据未知基因的有害变异来研究寻找新的候选基因。
2、结合变异率，检测样本数目，候选基因数目等参数，从统计学上对候选基因的可信度进行评估。对发现的疾病致病基因有更可靠的依据。
3、为了弥补单个神经发育疾病样本量不足的缺点，同时鉴定更多的候选基因。本方法基于不同神经发育疾病的遗传相似性，整合多个疾病的新发变异数据增强遗传统计学能力。
附图说明
图1为本发明的实施例提供的一种整合多种神经发育性疾病筛选候选基因的方法的流程示意图；
图2为本发明的一种整合多种神经发育性疾病筛选候选基因的方法的原理示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1，本发明提供一种技术方案：一种整合多种神经发育性疾病筛选候选基因的方法，包括以下步骤：
S1、将检测到的变异进行基因组功能注释，以将变异的类别分为功能缺失变异、有害错义变异、无害错义变异、同义变异和非编码区域变异。功能缺失变异包括框移变异，剪切位点变异，终止变异和终止密码子缺失变异。从变异遗传方式上面考虑包括新发变异，传递和非传递变异和病例-对照变异。其中携带功能缺失变异和有害错义变异的基因更可能是候选基因。
S2、通过最大似然估计法评估候选基因，得到每种疾病可能的候选基因数目。并通过以下具体步骤实施：
定义疾病所有可能功能缺失变异和有害错义变异的数目(K)，同一个基因在不同患者中检测到两个及以上缺失变异和有害错义变异的基因数目(R)和功能缺失和有害错义变异对疾病有贡献的比例(E)。
做一百万次置换检验，在每次置换检验中从所有编码基因中随机抽取一定比例的候选基因(T)(取值范围为1-2500)以及根据二项分布(K，E)抽取一定比例的变异数(C)。假设每种疾病可能致病的基因不会超过2500个。
把对疾病有贡献的功能缺失和有害错义变异数(C)分配到候选基因(T)以及把对疾病无贡献的有害变异(K-C)分配给其他基因。
每次置换检验统计抽取到两次及以上基因的数目，如果这个数目和实际观测到的数目相同就认为这次抽取的候选基因(T)为该疾病可能的致病基因数目。
所有的置换检验结束后，根据所有得到可能的致病基因数目得到一个先验概率分布曲线，概率最高的点所对应的候选基因数目为最可能是和疾病相关的基因数目。
S3、同时将疾病变异负荷，变异率，预测候选基因数目参数考虑在内，根据每个基因上所携带的功能缺失变异和有害错义变异以及所检测的患者数目等，进行综合评估得到单个基因水平的贝叶斯因子和根据该贝叶斯因子判定候选基因假阳性的概率值。并通过以下具体步骤实施：
观测在N个家系中出现的变异数目和期望的数目2Nμ，μ表示特定基因的变异率，首先利用贝叶斯方法来比较H0和H1两个模型，H0为基因不是致病基因，H1为基因为致病基因。当H0成立，期望变异的数目为2Nμ。当H1成立，期望变异的数目为2Nμγ，这里的γ表示相对危险度，γ大于1表示可能是致病基因。
将贝叶斯因子定义为成为H1的概率除以H0的概率。根据贝叶斯定理确定H1为阳性的概率，贝叶斯因子大于1表示H1可能为阳性，贝叶斯因子大于100表示很强的证明H1为阳性。
将不同变异类型得到的贝叶斯因子相乘，每一种变异类型都会单独得到一个贝叶斯因子，把所有贝叶斯因子相乘，得到基因水平贝叶斯因子。
利用贝叶斯FDR的方法来控制假阳性率，每一个基因会得到一个FDR值，即q-value。
定义q-value小于一个预设值A，且0≦A≦1，表示有A概率得到的基因可能是错误的。
S4、根据基因水平的数据进一步综合评估候选基因的可信度，候选基因的可信度具体为：基因在疾病相关组织特异性表达的高低，与已知疾病相关基因之间存在共表达和蛋白质相互作用的程度，显著富集在已知与神经发育疾病相关的通路上。
其中，一般认为，一个致病基因会有更高的变异负荷，即相同患者样本比随机情况下检测到更多的变异数目。这个可以简单的根据泊松检验分析得到结果。我们可以比较观测到的在N个家系中出现的变异数目和期望的数目2Nμ，这里μ表示特定基因的变异率。但是这种方式的问题就是没有考虑每种变异类型的功效，比如功能缺失变异和错义变异对疾病的影响可能是不一样的。本方法检测每个基因的变异负荷的时候考虑了不同变异类型对疾病表型的贡献度大小。比如功能缺失变异为高风险的变异类型，将会给一个相对高的权重。
对于不同类别的神经发育类疾病，本方法首先单独疾病分析鉴别候选基因。同时鉴于不同神经发育类疾病之间的遗传相似度，我们采用整合所有神经发育类新发变异的方法。这样可以鉴定新的在不同疾病中共有的，而在单个疾病中由于样本量不够无法鉴别的致病基因。
上述鉴定的基因利用基因表达，蛋白质相互作用，富集分析等方法进一步增强基因可信度。基因是否表达在特定的与疾病相关的组织中，和已知基因有无共表达或者蛋白质相互作用。候选基因集合有无富集在已知的和疾病相关的基因集或者信号通路上。
本发明的一种整合多种神经发育性疾病筛选候选基因的方法，具有整合多种神经发育疾病新思路鉴定新的候选基因和增强基因可信度。通过已有基因来验证本方法的可靠程度，另外可以根据未知基因的一致变异来研究寻找新的候选基因。结合变异率，检测样本数目，候选基因数目等参数，从统计学上对候选基因的可信度进行评估。对发现的疾病致病基因有更可靠的依据。为了弥补单个神经发育疾病样本量不足的缺点，同时鉴定更多的候选基因。本方法基于不同神经发育疾病的遗传相似性，整合多个疾病的新发变异数据增强遗传统计学能力。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种整合多种神经发育性疾病筛选候选基因的方法，其特征在于：
包括以下步骤：
S1、通过最大似然估计法评估候选基因，得到每种疾病候选基因数目；
所述通过最大似然估计法评估候选基因，得到每种疾病候选基因数目，具体为：
定义疾病所有功能缺失变异和有害错义变异的数目，同一个基因在不同患者中检测到两个及以上功能缺失变异和有害错义变异的基因数目和功能缺失变异和有害错义变异对疾病有贡献的比例；
做一百万次置换检验，在每次置换检验中从所有编码基因中随机抽取一定比例的候选基因T，取值范围在1-2500，以及根据二项分布(K，E)抽取一定比例的有害错义变异数；
把对疾病有贡献的功能缺失变异和有害错义变异数分配到候选基因T以及把对疾病无贡献的有害错义变异分配给其他基因；
每次置换检验统计抽取到两次及以上基因的数目，如果这个数目和实际观测到的数目相同，就认为这次抽取的候选基因T为该疾病致病基因数目；
所有的置换检验结束后，根据所有得到致病基因数目得到一个先验概率分布曲线，概率最高的点所对应的候选基因数目为最可能是和疾病相关的基因数目；
S2、同时将疾病变异负荷，基因期望变异率，评估候选基因数目参数考虑在内，根据每个基因上所携带的功能缺失变异和有害错义变异以及所检测的患者数目，进行综合评估得到单个基因水平的贝叶斯因子和根据该贝叶斯因子判定候选基因假阳性的概率值；
S3、根据基因水平的数据进一步综合评估候选基因的可信度。
2.如权利要求1所述的一种整合多种神经发育性疾病筛选候选基因的方法，其特征在于：
同时将疾病变异负荷、基因期望变异率、评估候选基因数目参数考虑在内，根据每个基因上所携带的功能缺失变异和有害错义变异以及所检测的患者数目，进行综合评估得到单个基因水平的贝叶斯因子和根据该贝叶斯因子判定候选基因假阳性的概率值，具体为：
观测在N个家系中出现的变异数目和期望的数目2Nμ，μ表示基因的变异率，利用贝叶斯方法来比较H0和H1两个模型，H0为不是致病基因，H1为致病基因；当H0成立，期望变异的数目为2Nμ；当H1成立，期望变异的数目为2Nμγ，这里的γ表示相对危险度，γ大于1表示是致病基因；
将贝叶斯因子定义为成为H1的概率除以H0的概率；根据贝叶斯定理确定H1为阳性的概率，贝叶斯因子大于1表示H1可能为阳性，贝叶斯因子大于100表示很强的证明H1为阳性；
将不同变异类型得到的贝叶斯因子相乘，每一种变异类型都会单独得到一个贝叶斯因子，把所有贝叶斯因子相乘，得到基因水平贝叶斯因子；
利用贝叶斯FDR的方法来控制假阳性率，每一个基因会得到一个FDR值，即q-value；
定义q-value小于一个预设值A，且0≦A≦1，表示有A概率得到的基因是错误的。
3.如权利要求1所述的一种整合多种神经发育性疾病筛选候选基因的方法，其特征在于：
还包括：
在执行步骤S1之前，将检测到的变异进行基因组功能注释，以将变异的类别分为功能缺失变异、有害错义变异、可耐受错义变异、同义变异和非编码区域变异。
4.如权利要求1所述的一种整合多种神经发育性疾病筛选候选基因的方法，其特征在于：
所述候选基因的可信度具体为：基因在疾病相关组织特异性表达的高低，基因与已知疾病相关基因之间存在共表达，基因与已知疾病相关蛋白质相互作用的程度，基因通过分析显著富集在已知与神经发育疾病相关的通路上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010288066.0A CN111540407B (zh) | 2020-04-13 | 2020-04-13 | 一种整合多种神经发育性疾病筛选候选基因的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010288066.0A CN111540407B (zh) | 2020-04-13 | 2020-04-13 | 一种整合多种神经发育性疾病筛选候选基因的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111540407A CN111540407A (zh) | 2020-08-14 |
| CN111540407B true CN111540407B (zh) | 2023-06-27 |
Family
ID=71978631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010288066.0A Active CN111540407B (zh) | 2020-04-13 | 2020-04-13 | 一种整合多种神经发育性疾病筛选候选基因的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111540407B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643754B (zh) * | 2021-08-11 | 2023-12-29 | 苏州赛美科基因科技有限公司 | 一种错义变异基因的评分处理方法、优化评分方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106021984A (zh) * | 2016-05-13 | 2016-10-12 | 万康源(天津)基因科技有限公司 | 一种全外显子组测序数据分析系统 |
| KR20170059069A (ko) * | 2015-11-19 | 2017-05-30 | 연세대학교 산학협력단 | 대사 이상 질환 진단 장치 및 그 방법 |
| CN108647496A (zh) * | 2018-04-18 | 2018-10-12 | 成都仕康美生物科技有限公司 | 动态搜索变异基因的方法、装置及计算机可读存储介质 |
| CN110931081A (zh) * | 2019-11-28 | 2020-03-27 | 广州基迪奥生物科技有限公司 | 一种人单基因遗传疾病检测生物信息分析方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060278241A1 (en) * | 2004-12-14 | 2006-12-14 | Gualberto Ruano | Physiogenomic method for predicting clinical outcomes of treatments in patients |
| EP3140422A1 (en) * | 2014-05-03 | 2017-03-15 | The Regents of The University of California | Methods of identifying biomarkers associated with or causative of the progression of disease, in particular for use in prognosticating primary open angle glaucoma |
| GB201615837D0 (en) * | 2016-09-16 | 2016-11-02 | Genomics Plc | Methods and apparatus for identifying one or more genetic variants associated with disease in an individual or group of related individuals |
| CN106611106B (zh) * | 2016-12-06 | 2019-05-03 | 北京荣之联科技股份有限公司 | 基因变异检测方法及装置 |
| CN110021364B (zh) * | 2017-11-24 | 2023-07-28 | 上海暖闻信息科技有限公司 | 基于病人临床症状数据和全外显子组测序数据筛选单基因遗传病致病基因的分析检测系统 |
| CN109086571B (zh) * | 2018-08-03 | 2019-08-23 | 国家卫生健康委科学技术研究所 | 一种单基因病遗传变异智能解读及报告的方法和系统 |
-
2020
- 2020-04-13 CN CN202010288066.0A patent/CN111540407B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170059069A (ko) * | 2015-11-19 | 2017-05-30 | 연세대학교 산학협력단 | 대사 이상 질환 진단 장치 및 그 방법 |
| CN106021984A (zh) * | 2016-05-13 | 2016-10-12 | 万康源(天津)基因科技有限公司 | 一种全外显子组测序数据分析系统 |
| CN108647496A (zh) * | 2018-04-18 | 2018-10-12 | 成都仕康美生物科技有限公司 | 动态搜索变异基因的方法、装置及计算机可读存储介质 |
| CN110931081A (zh) * | 2019-11-28 | 2020-03-27 | 广州基迪奥生物科技有限公司 | 一种人单基因遗传疾病检测生物信息分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111540407A (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Singh et al. | The contribution of rare variants to risk of schizophrenia in individuals with and without intellectual disability | |
| Epi4K Consortium | Epi4K: gene discovery in 4,000 genomes | |
| Vona et al. | Targeted next-generation sequencing of deafness genes in hearing-impaired individuals uncovers informative mutations | |
| Moteki et al. | Comprehensive genetic testing with ethnic‐specific filtering by allele frequency in a Japanese hearing‐loss population | |
| US20140088942A1 (en) | Molecular genetic diagnostic system | |
| Hang et al. | Whole genome sequencing, analyses of drug resistance-conferring mutations, and correlation with transmission of Mycobacterium tuberculosis carrying katG-S315T in Hanoi, Vietnam | |
| Wijmenga et al. | Celiac disease genetics: past, present and future challenges | |
| US20220277811A1 (en) | Detecting False Positive Variant Calls In Next-Generation Sequencing | |
| Salvato et al. | Molecular characterisation of multidrug-resistant Mycobacterium tuberculosis isolates from a high-burden tuberculosis state in Brazil | |
| CN111540407B (zh) | 一种整合多种神经发育性疾病筛选候选基因的方法 | |
| Gemler et al. | UltraSEQ, a universal bioinformatic platform for information-based clinical metagenomics and beyond | |
| CN118538424A (zh) | 多基因风险评估疾病预测模型及其建立方法和应用 | |
| CN111733229B (zh) | 一种精神分裂症遗传风险分型试剂盒及分型装置 | |
| CN118887996B (zh) | 基于时间-事件结局表型的全基因组罕见变异分析方法 | |
| Ba et al. | Prediction of immune infiltration diagnostic gene biomarkers in Kawasaki disease | |
| Tsalenko et al. | Methods for analysis and visualization of SNP genotype data for complex diseases | |
| McElroy et al. | SNP-based analysis of the HLA locus in Japanese multiple sclerosis patients | |
| CN103571846B (zh) | Atp6v1b2基因突变体及其应用 | |
| CN104164424A (zh) | Cc2d2a基因突变体及其应用 | |
| CN109402114A (zh) | 一种用于辅助鉴定身高的方法及其专用引物组 | |
| Li et al. | Allele frequency of pathogenic variants related to adult‐onset Mendelian diseases | |
| CN103509801B (zh) | 骨骼肌氯离子通道基因突变体及其应用 | |
| Sh et al. | EXPLORING HIGH AUTISM RISK THROUGH COMMON GENETIC VARIANTS: A CLINICAL REPORT | |
| Makalic et al. | DEPTH: a novel algorithm for feature ranking with application to genome-wide association studies | |
| Shen et al. | AlphaCluster: Coevolutionary driven residue-residue interaction models enable quantifiable clustering analysis of de novo variants to enhance predictions of pathogenicity |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |