Análisis multicéntrico de datos genómicos y metabólicos de enfermedades genéticas neonatales. (MAOFGAMDNGD)

nombre del objeto: Análisis multicéntrico de datos genómicos y metabólicos de enfermedades genéticas neonatales objetivo del estudio: (1) Datos de secuenciación de genes (138 genes relacionados con 133 enfermedades genéticas comunes) y datos metabolómicos de espectrometría de masas en tándem (11 aminoácidos y 28 acilcarnitinas) de aproximadamente Se recolectaron y cotejaron 40.000 recién nacidos de las unidades participantes de la Alianza de Detección Genética Neonatal del Sur de China para completar la construcción de la base de datos de genes y espectrometría de masas.

( 2 ) Se realizó un análisis retrospectivo de la incidencia, las mutaciones patógenas, las mutaciones patógenas sospechosas y la tasa de portación de mutaciones inexplicables de 133 enfermedades genéticas neonatales comunes en 40.000 casos, y se contó la distribución de los sitios de variación de alta frecuencia en la población. , proporcionando una base científica para la selección de sitios de mutación para el cribado genético a gran escala de enfermedades genéticas neonatales.

(3) La predicción de la función proteica y el análisis de la actividad catalítica enzimática se realizaron en sitios de mutación de alta frecuencia de enfermedades metabólicas genéticas (IEM). Los metabolitos característicos se analizaron y verificaron en busca de sitios de mutación con baja actividad catalítica enzimática. Se exploró la viabilidad de utilizar una plataforma de análisis de inteligencia artificial de función proteica y datos de metabolitos de espectrometría de masas en tándem para predecir con precisión la patogenicidad de las lesiones metabólicas genéticas.

(4) Explore el uso de big data del genoma y el metaboloma y algoritmos de aprendizaje automático, como el bosque aleatorio, la máquina de vectores de soporte, la red elástica y el perceptrón multicapa para construir modelos de predicción de enfermedades genéticas comunes, y esforzarse por lograr un diagnóstico y una predicción precisos de las enfermedades genéticas comunes. enfermedades utilizando datos simples del metaboloma de espectrometría de masas en tándem y ampliar el rango de aplicación de la tecnología de espectrometría de masas en tándem para la detección de enfermedades.

Diseño de investigación: estudio observacional retrospectivo Período de investigación: septiembre de 2022 a diciembre de 2025 Unidades participantes: Alianza de detección genética neonatal del sur de China (incluidas unidades de cooperación de 123 hospitales) Objeto de investigación: Datos de detección genética de 40.000 recién nacidos (138 genes relacionados con 133 enfermedades genéticas comunes) y datos de espectrometría de masas en tándem (11 aminoácidos y 28 acilcarnitinas).

Criterios de inclusión: (1) Recién nacidos que se sometieron a un cribado genético y a una espectrometría de masas en tándem al mismo tiempo. ( 2 ) Edad: 0-28 días, edad gestacional 37-42 semanas.

Criterios excluidos: Es necesario eliminar los datos que cumplan cualquiera de las siguientes condiciones: (1) Datos neonatales con información clínica básica poco clara; (2) Falta de datos de información básica de trazabilidad; ( 3 ) Los datos de que los resultados de la prueba no se pueden analizar ni interpretar.

Tamaño de la muestra: datos de detección genética y espectrometría de masas en tándem de 40.000 recién nacidos.

recopilación de datos: (1) Información básica: sexo, edad, tipo de muestra, número de trazabilidad del sujeto / número de identificación, etc. (2) Síntomas clínicos, datos bioquímicos y de imágenes de muestras positivas. ( 3 ) Resultados de detección de genes y resultados de espectrometría de masas en tándem. ( 4 ) Fecha de los datos de la prueba, modelo de instrumento, tipo de reactivo, etc.

Procesamiento estadístico: se utilizó el software estadístico IBM-SPSS 26.0 para analizar los resultados de las pruebas. Se utilizó un análisis de regresión logística para evaluar la correlación entre el genotipo y el fenotipo clínico. Se utilizó el método generalizado de reducción de dimensionalidad multifactorial para analizar la interacción gen-gen y la correlación genotipo-fenotipo. A partir de datos de espectrometría de masas en tándem, se utilizaron algoritmos de aprendizaje automático como bosque aleatorio, máquina de vectores de soporte, red elástica y perceptrón multicapa para construir un modelo de predicción de genotipo. El efecto de predicción del modelo se evaluó mediante la precisión, la precisión del equilibrio, la sensibilidad y la especificidad.