CNV-Finder: streamlining copy number variation discovery.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

MotivationCopy Number Variations (CNVs) karmaşık hastalık etiyolojisinde önemli rol oynar ve genellikle hastalık derneklerini analiz etmek için büyük örnek boyutları gerektirir. Genotipleme dizileri, Log R Oranı (LRR) ve B Allele Frekansı (BAF) sinyallerini kullanarak CNV tespiti için uygun maliyetli bir yaklaşım sunarken, mevcut bağımsız dizi tabanlı arayanlar yüksek yanlış pozitif oranlardan ve gürültü duyarlılığından, manuel doğrulamadan muzdariptir.SonuçlarKullanıcı tanımlı bölgeler içinde büyük ölçekli CNV tanımlaması için uzun kısa vadeli bellek (LSTM) ağları kullanan derin bir öğrenme boru hattı olan CNV-Finder'i sunuyoruz. Global Parkinson Genetik Programı'ndan dört nörodejeneratif hastalıkla ilişkili gen (PRKN, LINGO2, MAPT, SNCA) arasında uzman tarafından açıklanan örnekler üzerinde eğitim gören CNV-Finder, insan geri bildirimlerini yinelemeli olarak performansı iyileştirmek için entegre eder. 11 ansestr ve yaklaşık 150 kohorttan oluşan 105 936 örnekle kıyaslamada, model yüksek güven eşiklerinde PRKN silme ve çoğaltmalarında %91 ve %89 görsel doğrulama oranları elde etti. İki doğrulama kohortunda CNV-Finder, daha yüksek onay oranlarını korurken popüler bir Hidden Markov Model tabanlı arayandan %83 daha az aday gösterdi. MLPA, kısa okuma ve uzun okuma dizilimi yoluyla doğrulama, eğitimde bulunmayan homozigot silmeler ve SNCA triplikasyonları da dahil olmak üzere çeşitli imzalara genelleme yaparak sağlam bir performans gösterdi. Bulgularımız, 17q21.31 gibi karmaşık loci'de insan uzmanlığının değerini vurgulamaktadır. Kullanılabilirlik ve uygulamaCNV-Finder, https://github.com/nvk23/CNV-Finder adresinde serbestçe mevcuttur.

Özgün kaynak özetini okuyun

MotivationCopy Number Variations (CNVs) play pivotal roles in complex disease etiology, often requiring large sample sizes to analyze disease associations. While genotyping arrays offer a cost-effective approach for CNV detection using Log R Ratio (LRR) and B Allele Frequency (BAF) signals, existing independent array-based callers suffer from high false positive rates and noise susceptibility, burdening manual validation.ResultsWe present CNV-Finder, a deep learning pipeline employing Long Short-Term Memory (LSTM) networks for large-scale CNV identification within user-defined genomic regions. Trained on expert-annotated samples from the Global Parkinson's Genetics Program across four neurodegenerative disease-associated genes (PRKN, LINGO2, MAPT, SNCA), CNV-Finder integrates human feedback to iteratively improve performance. In benchmarking across 105 936 samples spanning 11 ancestries and nearly 150 cohorts, the model achieved 91% and 89% visual confirmation rates for PRKN deletions and duplications at high-confidence thresholds. In two validation cohorts, CNV-Finder nominated 83% fewer candidates than a popular Hidden Markov Model-based caller while maintaining higher confirmation rates. Validation through MLPA, short-read, and long-read sequencing demonstrated robust performance, generalizing to diverse signatures including homozygous deletions and SNCA triplications absent from training. Our findings highlight human expertise's value in complex loci like 17q21.31.Availability and implementationCNV-Finder is freely available at https://github.com/nvk23/CNV-Finder.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.