Analyse multicentrique des données génomiques et métaboliques des maladies génétiques néonatales (MAOFGAMDNGD)

nom de l'objet : Analyse multicentrique des données génomiques et métaboliques des maladies génétiques néonatales objectif de l'étude : (1) Données de séquençage des gènes (138 gènes liés à 133 maladies génétiques courantes) et données métabolomiques par spectrométrie de masse en tandem (11 acides aminés et 28 acylcarnitines) d'environ 40 000 nouveau-nés des unités participantes à la South China Neonatal Genetic Screening Alliance ont été collectés et rassemblés pour achever la construction de la base de données des gènes et de la spectrométrie de masse.

( 2 ) Une analyse rétrospective de l'incidence, des mutations pathogènes, des mutations pathogènes suspectées et du taux de transmission de mutations inexpliquées de 133 maladies génétiques néonatales courantes dans 40 000 cas a été menée, et la répartition des sites de variation à haute fréquence dans la population a été comptée. , fournissant une base scientifique pour la sélection de sites de mutation pour le dépistage génétique à grande échelle des maladies génétiques néonatales.

( 3 ) La prédiction de la fonction des protéines et l'analyse de l'activité catalytique enzymatique ont été effectuées sur des sites de mutation à haute fréquence de maladies métaboliques génétiques (IEM). Les métabolites caractéristiques ont été analysés et vérifiés pour les sites de mutation à faible activité catalytique enzymatique. La faisabilité de l’utilisation d’une plateforme d’analyse de l’intelligence artificielle de la fonction protéique et des données de métabolites de spectrométrie de masse en tandem pour prédire avec précision le pouvoir pathogène des lésions métaboliques génétiques a été explorée.

( 4 ) Explorer l'utilisation des mégadonnées du génome et du métabolome et des algorithmes d'apprentissage automatique tels que Random Forest, Support Vector Machine, Elastic net, Multilayer Perceptron pour construire des modèles de prédiction pour les maladies génétiques courantes et s'efforcer d'obtenir un diagnostic et une prédiction précis des maladies génétiques communes. maladies en utilisant de simples données de métabolome de spectrométrie de masse en tandem, et élargir la gamme d'applications de la technologie de spectrométrie de masse en tandem pour la détection des maladies.

conception de la recherche : étude observationnelle rétrospective Période de recherche : septembre 2022 à décembre 2025 Unités participantes : Alliance de dépistage génétique néonatal de Chine du Sud (y compris les unités de coopération de 123 hôpitaux) objet de recherche : données de dépistage génétique de 40 000 nouveau-nés (138 gènes liés à 133 maladies génétiques courantes) et données de spectrométrie de masse en tandem (11 acides aminés et 28 acylcarnitines).

Critères d'intégration : (1) Nouveau-nés ayant subi en même temps un dépistage génétique et une spectrométrie de masse en tandem. ( 2 ) Âge : 0-28 jours, âge gestationnel 37-42 semaines.

Critères exclus : Les données qui remplissent l'une des conditions suivantes doivent être éliminées : (1) Données néonatales contenant des informations cliniques de base peu claires ; ( 2 ) Manque de données d'information de base sur la traçabilité ; ( 3 ) Les données selon lesquelles les résultats des tests ne peuvent pas être analysés et interprétés.

taille de l’échantillon : données de dépistage génétique et de spectrométrie de masse en tandem de 40 000 nouveau-nés.

collecte de données : (1) Informations de base : sexe, âge, type d'échantillon, numéro de traçabilité du sujet / numéro d'identification, etc. (2) Symptômes cliniques, données biochimiques et d'imagerie des échantillons positifs. ( 3 ) Résultats de détection génétique et résultats de spectrométrie de masse tandem. ( 4 ) Date des données de test, modèle d'instrument, type de réactif, etc.

Traitement statistique : le logiciel statistique IBM-SPSS 26.0 a été utilisé pour analyser les résultats des tests. Une analyse de régression logistique a été utilisée pour évaluer la corrélation entre le génotype et le phénotype clinique. Une méthode généralisée de réduction de dimensionnalité multifactorielle a été utilisée pour analyser l'interaction gène-gène et la corrélation génotype-phénotype. Sur la base des données de spectrométrie de masse tandem, des algorithmes d'apprentissage automatique tels que la forêt aléatoire, la machine à vecteurs de support, le réseau élastique et le perceptron multicouche ont été utilisés pour construire un modèle de prédiction du génotype. L'effet de prédiction du modèle a été évalué en fonction de l'exactitude, de la précision de l'équilibre, de la sensibilité et de la spécificité.