Wieloośrodkowa analiza danych genomicznych i metabolicznych noworodkowych chorób genetycznych (MAOFGAMDNGD)

nazwa obiektu:Wieloośrodkowa analiza danych genomicznych i metabolicznych dotyczących genetycznych chorób noworodków Cel badań:( 1 ) Dane z sekwencjonowania genów (138 genów związanych ze 133 powszechnymi chorobami genetycznymi) oraz dane metabolomiczne z tandemowej spektrometrii mas (11 aminokwasów i 28 acylokarnityn) około Zebrano i zestawiono 40 000 noworodków z jednostek uczestniczących w projekcie South China Neonatal Genetic Screening Alliance, aby ukończyć tworzenie bazy danych dotyczącej genów i spektrometrii mas.

( 2 ) Przeprowadzono retrospektywną analizę częstości występowania, mutacji chorobotwórczych, podejrzeń mutacji chorobotwórczych oraz częstości występowania niewyjaśnionych mutacji w 133 powszechnych chorobach genetycznych noworodków w 40 000 przypadków, a także obliczono rozmieszczenie miejsc zmienności o wysokiej częstotliwości w populacji , zapewniając naukową podstawę do wyboru miejsc mutacji do badań genetycznych na dużą skalę w kierunku chorób genetycznych noworodków.

( 3 ) Przeprowadzono przewidywanie funkcji białek i analizę aktywności katalitycznej enzymów w miejscach mutacji o wysokiej częstotliwości w genetycznych chorobach metabolicznych (IEM). Przeanalizowano i zweryfikowano charakterystyczne metabolity pod kątem miejsc mutacji o niskiej aktywności katalitycznej enzymu. Zbadano możliwość wykorzystania platformy analizy funkcji białek ze sztuczną inteligencją i danych dotyczących metabolitów tandemowej spektrometrii mas do dokładnego przewidywania patogeniczności genetycznych zmian metabolicznych.

( 4 ) Zbadanie wykorzystania dużych zbiorów danych dotyczących genomu i metabolomu oraz algorytmów uczenia maszynowego, takich jak losowy las, maszyna wektorów nośnych, elastyczna sieć, wielowarstwowy perceptron, do konstruowania modeli predykcyjnych dla powszechnych chorób genetycznych oraz dążenie do osiągnięcia dokładnej diagnozy i przewidywania powszechnych chorób genetycznych chorób przy użyciu prostych danych metabolomu z tandemowej spektrometrii mas i poszerzyć zakres zastosowań technologii tandemowej spektrometrii mas do wykrywania chorób.

projekt badawczy: retrospektywne badanie obserwacyjne Okres badań: od września 2022 r. do grudnia 2025 r. Jednostki uczestniczące: Sojusz ds. badań genetycznych noworodków w południowych Chinach (w tym jednostki współpracujące 123 szpitali) Obiekt badawczy: Dane dotyczące przesiewowego badania genów 40 000 noworodków (138 genów związanych ze 133 powszechnymi chorobami genetycznymi) oraz dane z tandemowej spektrometrii mas (11 aminokwasów i 28 acylokarnityn).

Kryteria włączenia:( 1 ) Noworodki, które jednocześnie przeszły badania genetyczne i tandemową spektrometrię mas. (2) Wiek: 0-28 dni, wiek ciążowy 37-42 tygodnie.

Kryteria wykluczone: Należy wyeliminować dane spełniające którykolwiek z poniższych warunków: (1) dane dotyczące noworodków z niejasnymi podstawowymi informacjami klinicznymi; (2) Brak podstawowych danych informacyjnych umożliwiających śledzenie; ( 3 ) Dane uniemożliwiają analizę i interpretację wyników badań.

wielkość próbki: Dane dotyczące badań przesiewowych genów i tandemowej spektrometrii masowej 40 000 noworodków.

gromadzenie danych:( 1 ) Informacje podstawowe: płeć, wiek, rodzaj próbki, numer identyfikacyjny podmiotu/numer identyfikacyjny itp. ( 2 ) Objawy kliniczne, dane biochemiczne i obrazowe próbek pozytywnych. ( 3 ) Wyniki wykrywania genów i wyniki tandemowej spektrometrii mas. ( 4 ) Data danych testu, model urządzenia, typ odczynnika itp.

Przetwarzanie statystyczne: Do analizy wyników testu wykorzystano oprogramowanie statystyczne IBM-SPSS 26.0. Do oceny korelacji między genotypem a fenotypem klinicznym wykorzystano analizę regresji logistycznej. Do analizy interakcji gen-gen i korelacji genotyp-fenotyp wykorzystano uogólnioną metodę redukcji wymiarowości wieloczynnikowej. W oparciu o dane z tandemowej spektrometrii mas do skonstruowania modelu przewidywania genotypu wykorzystano algorytmy uczenia maszynowego, takie jak las losowy, maszyna wektorów nośnych, sieć elastyczna i perceptron wielowarstwowy. Efekt przewidywania modelu oceniano na podstawie dokładności, dokładności wagi, czułości i specyficzności.