Revealing Alzheimer's disease genes spectrum in the whole-genome by machine learning.
Revealing Alzheimer's disease genes spectrum in the whole-genome by machine learning.
复制标题
DOI：
10.1186/s12883-017-1010-3
复制
发表时间：
2018-01-10
期刊：
影响因子：
2.6
通讯作者：
Zhang J
中科院分区：
文献类型：
--
作者：
Huang X;Liu H;Li X;Guan L;Li J;Tellier LCAM;Yang H;Wang J;Zhang J
阿尔茨海默病（AD）是一种重要的进行性神经退行性疾病，具有复杂的遗传结构。生物医学研究的一个关键目标是寻找疾病风险基因，并阐明这些风险基因在疾病发展中的功能。为此，扩展AD相关基因集是必要的。在过去的研究中，AD相关基因的预测方法局限于对靶基因组区域的探索。在这里，我们提出了一个全基因组的AD候选基因的预测方法。我们提出了一种机器学习方法（SVM），基于整合基因表达数据与人脑特异性基因网络数据，以发现整个基因组中AD基因的全谱。我们分类AD候选基因的准确性和受试者工作特征（ROC）曲线下面积分别为84.56%和94%。我们的方法为从全基因组范围内的20，000多个基因中提取的AD相关基因谱提供了补充。在这项研究中，我们使用机器学习方法阐明了AD的全基因组谱。通过这种方法，我们期望候选基因目录能够为研究者提供更全面的AD注释。本文的在线版本（10.1186/s12883-017-1010-3）包含补充材料，可供授权用户使用。
Alzheimer’s disease (AD) is an important, progressive neurodegenerative disease, with a complex genetic architecture. A key goal of biomedical research is to seek out disease risk genes, and to elucidate the function of these risk genes in the development of disease. For this purpose, expanding the AD-associated gene set is necessary. In past research, the prediction methods for AD related genes has been limited in their exploration of the target genome regions. We here present a genome-wide method for AD candidate genes predictions. We present a machine learning approach (SVM), based upon integrating gene expression data with human brain-specific gene network data, to discover the full spectrum of AD genes across the whole genome. We classified AD candidate genes with an accuracy and the area under the receiver operating characteristic (ROC) curve of 84.56% and 94%. Our approach provides a supplement for the spectrum of AD-associated genes extracted from more than 20,000 genes in a genome wide scale. In this study, we have elucidated the whole-genome spectrum of AD, using a machine learning approach. Through this method, we expect for the candidate gene catalogue to provide a more comprehensive annotation of AD for researchers. The online version of this article (10.1186/s12883-017-1010-3) contains supplementary material, which is available to authorized users.
登录
查看更多内容
DOI：
10.1038/gim.2015.208
发表时间：
2016-10
期刊：
Genetics in medicine : official journal of the American College of Medical Genetics
影响因子：
--
作者：
Adebali O;Reznik AO;Ory DS;Zhulin IB
通讯作者：
Zhulin IB
DOI：
10.3233/jad-150799
发表时间：
2016
期刊：
Journal of Alzheimer's disease : JAD
影响因子：
--
作者：
Malishkevich A;Marshall GA;Schultz AP;Sperling RA;Aharon-Peretz J;Gozes I
通讯作者：
Gozes I
利用 DNA 甲基化基于加权组织特异性网络预测疾病相关基因
影响因子：
2.7
作者：
Li M;Zhang J;Liu Q;Wang J;Wu FX
通讯作者：
Wu FX
影响因子：
14.9
作者：
López-Bigas, N;Ouzounis, CA
通讯作者：
Ouzounis, CA
影响因子：
4.8
作者：
Marchesi, Vincent T.
通讯作者：
Marchesi, Vincent T.