Identifying noncoding risk variants using disease-relevant gene regulatory networks.
Identifying noncoding risk variants using disease-relevant gene regulatory networks.
复制标题
DOI：
10.1038/s41467-018-03133-y
复制
发表时间：
2018-02-16
影响因子：
16.6
通讯作者：
Tan K
中科院分区：
文献类型：
--
作者：
Gao L;Uzun Y;Gao P;He B;Ma X;Wang J;Han S;Tan K
识别非编码风险变体仍然是一项具有挑战性的任务。由于非编码变异在基因调控网络 (GRN) 的背景下发挥作用，我们假设明确使用与疾病相关的 GRN 可以显着提高非编码风险变异的推断准确性。我们描述了使用集成网络（ARVIN）的监管变异注释，这是一种用于预测因果非编码变异的通用计算框架。它采用一组新颖的基于监管网络的特征，结合基于序列的特征来推断非编码风险变异。使用许多疾病中基因启动子和增强子的已知因果变异，我们证明 ARVIN 优于单独使用基于序列的特征的最先进方法。使用报告基因检测进行的额外实验验证进一步证明了 ARVIN 的准确性。 ARVIN 在七种自身免疫性疾病中的应用提供了受整组风险非编码突变的组合作用扰动的基因子网络的整体视图。目前对非编码遗传风险变异进行优先排序的方法是基于序列和染色质特征。在这里，高等人。开发 ARVIN，利用疾病相关基因调控网络预测因果调控变异，并在报告基因检测中验证这种方法。
Identifying noncoding risk variants remains a challenging task. Because noncoding variants exert their effects in the context of a gene regulatory network (GRN), we hypothesize that explicit use of disease-relevant GRNs can significantly improve the inference accuracy of noncoding risk variants. We describe Annotation of Regulatory Variants using Integrated Networks (ARVIN), a general computational framework for predicting causal noncoding variants. It employs a set of novel regulatory network-based features, combined with sequence-based features to infer noncoding risk variants. Using known causal variants in gene promoters and enhancers in a number of diseases, we show ARVIN outperforms state-of-the-art methods that use sequence-based features alone. Additional experimental validation using reporter assay further demonstrates the accuracy of ARVIN. Application of ARVIN to seven autoimmune diseases provides a holistic view of the gene subnetwork perturbed by the combinatorial action of the entire set of risk noncoding mutations. Current methods for prioritization of non-coding genetic risk variants are based on sequence and chromatin features. Here, Gao et al. develop ARVIN, which predicts causal regulatory variants using disease-relevant gene-regulatory networks, and validate this approach in reporter gene assays.
登录
查看更多内容
影响因子：
7
作者：
Boyle AP;Hong EL;Hariharan M;Cheng Y;Schaub MA;Kasowski M;Karczewski KJ;Park J;Hitz BC;Weng S;Cherry JM;Snyder M
通讯作者：
Snyder M
影响因子：
30.8
作者：
Kircher, Martin;Witten, Daniela M.;Jain, Preti;O'Roak, Brian J.;Cooper, Gregory M.;Shendure, Jay
通讯作者：
Shendure, Jay
DOI：
10.1073/pnas.1320308111
发表时间：
2014-05-27
影响因子：
11.1
作者：
He, Bing;Chen, Changya;Tan, Kai
通讯作者：
Tan, Kai
DOI：
10.1093/bfgp/elp021
发表时间：
2009-07-01
期刊：
Briefings in Functional Genomics & Proteomics
影响因子：
--
作者：
Epstein, Douglas J.
通讯作者：
Epstein, Douglas J.
Oreganno：一种开放访问社区驱动的监管注释资源。
影响因子：
14.9
作者：
Griffith OL;Montgomery SB;Bernier B;Chu B;Kasaian K;Aerts S;Mahony S;Sleumer MC;Bilenky M;Haeussler M;Griffith M;Gallo SM;Giardine B;Hooghe B;Van Loo P;Blanco E;Ticoll A;Lithwick S;Portales-Casamar E;Donaldson IJ;Robertson G;Wadelius C;De Bleser P;Vlieghe D;Halfon MS;Wasserman W;Hardison R;Bergman CM;Jones SJ;Open Regulatory Annotation Consortium
通讯作者：
Open Regulatory Annotation Consortium