Multizentrische Analyse genomischer und metabolischer Daten neonataler genetischer Erkrankungen (MAOFGAMDNGD)

Objektname: Multizentrische Analyse genomischer und metabolischer Daten neonataler genetischer Erkrankungen Ziel der Studie: (1) Gensequenzierungsdaten (138 Gene im Zusammenhang mit 133 häufigen genetischen Erkrankungen) und Tandem-Massenspektrometrie-Metabolomics-Daten (11 Aminosäuren und 28 Acylcarnitine) von etwa 40.000 Neugeborene aus den teilnehmenden Einheiten der South China Neonatal Genetic Screening Alliance wurden gesammelt und zusammengestellt, um den Datenbankaufbau von Genen und Massenspektrometrie abzuschließen.

( 2 ) Es wurde eine retrospektive Analyse der Inzidenz, pathogener Mutationen, vermuteter pathogener Mutationen und der Übertragungsrate ungeklärter Mutationen von 133 häufigen neonatalen genetischen Erkrankungen in 40.000 Fällen durchgeführt und die Verteilung hochfrequenter Variationsstellen in der Bevölkerung gezählt , Bereitstellung einer wissenschaftlichen Grundlage für die Auswahl von Mutationsstellen für groß angelegte genetische Screenings neonataler genetischer Erkrankungen.

(3) Die Vorhersage der Proteinfunktion und die Analyse der katalytischen Enzymaktivität wurden an Hochfrequenzmutationsstellen genetischer Stoffwechselerkrankungen (IEM) durchgeführt. Charakteristische Metaboliten wurden analysiert und auf Mutationsstellen mit geringer katalytischer Enzymaktivität überprüft. Es wurde die Machbarkeit der Verwendung einer Plattform zur Analyse von Proteinfunktionen mit künstlicher Intelligenz und Tandem-Massenspektrometrie-Metabolitendaten zur genauen Vorhersage der Pathogenität genetischer Stoffwechselläsionen untersucht.

(4) Erkunden Sie die Verwendung von Genom- und Metabolom-Big-Data- und maschinellen Lernalgorithmen wie Random Forest, Support Vector Machine, Elastic Net und Multilayer Perceptron, um Vorhersagemodelle für häufige genetische Krankheiten zu erstellen, und streben Sie nach einer genauen Diagnose und Vorhersage häufiger genetischer Erkrankungen Krankheiten mithilfe einfacher Tandem-Massenspektrometrie-Metabolomdaten und erweitern den Anwendungsbereich der Tandem-Massenspektrometrie-Technologie zur Krankheitserkennung.

Forschungsdesign: retrospektive Beobachtungsstudie Forschungszeitraum: September 2022 bis Dezember 2025 Beteiligte Einheiten: Südchinesische Allianz für neonatales genetisches Screening (einschließlich Kooperationseinheiten von 123 Krankenhäusern) Forschungsobjekt: Gen-Screening-Daten von 40.000 Neugeborenen (138 Gene im Zusammenhang mit 133 häufigen genetischen Erkrankungen) und Tandem-Massenspektrometriedaten (11 Aminosäuren und 28 Acylcarnitine).

Einschlusskriterien: (1) Neugeborene, die gleichzeitig einem genetischen Screening und einer Tandem-Massenspektrometrie unterzogen wurden. (2) Alter: 0–28 Tage, Gestationsalter 37–42 Wochen.

Ausgeschlossene Kriterien: Daten, die eine der folgenden Bedingungen erfüllen, müssen eliminiert werden: (1) Neugeborenendaten mit unklaren klinischen Basisinformationen; (2) Mangel an Rückverfolgbarkeits-Kerninformationsdaten; (3) Die Daten der Testergebnisse können nicht analysiert und interpretiert werden.

Stichprobengröße: Genscreening und Tandem-Massenspektrometriedaten von 40.000 Neugeborenen.

Datenerfassung: (1) Grundlegende Informationen: Geschlecht, Alter, Probentyp, Rückverfolgbarkeitsnummer/ID-Nummer des Probanden usw. (2) Klinische Symptome, biochemische und bildgebende Daten positiver Proben. (3) Ergebnisse der Gendetektion und Ergebnisse der Tandem-Massenspektrometrie. (4) Datum der Testdaten, Gerätemodell, Reagenztyp usw.

Statistische Verarbeitung: Zur Analyse der Testergebnisse wurde die Statistiksoftware IBM-SPSS 26.0 verwendet. Mithilfe einer logistischen Regressionsanalyse wurde die Korrelation zwischen Genotyp und klinischem Phänotyp bewertet. Zur Analyse der Gen-Gen-Interaktion und der Genotyp-Phänotyp-Korrelation wurde die verallgemeinerte Multifaktor-Dimensionalitätsreduktionsmethode verwendet. Basierend auf Tandem-Massenspektrometriedaten wurden maschinelle Lernalgorithmen wie Random Forest, Support Vector Machine, Elastic Network und Multi-Layer Perceptron verwendet, um ein Genotyp-Vorhersagemodell zu erstellen. Der Vorhersageeffekt des Modells wurde anhand von Genauigkeit, Gleichgewichtsgenauigkeit, Sensitivität und Spezifität bewertet.