Análise multicêntrica de dados genômicos e metabólicos de doenças genéticas neonatais (MAOFGAMDNGD)

nome do objeto: Análise multicêntrica de dados genômicos e metabólicos de doenças genéticas neonatais Objetivo do estudo: (1) Dados de sequenciamento de genes (138 genes relacionados a 133 doenças genéticas comuns) e dados metabolômicos de espectrometria de massa em tandem (11 aminoácidos e 28 acilcarnitinas) de cerca de 40.000 recém-nascidos das unidades participantes da Aliança de Triagem Genética Neonatal do Sul da China foram coletados e agrupados para completar a construção do banco de dados de genes e espectrometria de massa.

( 2 ) Foi realizada uma análise retrospectiva da incidência, mutações patogênicas, suspeitas de mutações patogênicas e taxa de transporte de mutações inexplicáveis ​​de 133 doenças genéticas neonatais comuns em 40.000 casos, e a distribuição de locais de variação de alta frequência na população foi contada , fornecendo uma base científica para a seleção de locais de mutação para triagem genética em larga escala de doenças genéticas neonatais.

( 3 ) A previsão da função proteica e a análise da atividade catalítica enzimática foram realizadas em locais de mutação de alta frequência de doenças metabólicas genéticas (IEM). Metabólitos característicos foram analisados ​​e verificados para sítios de mutação com baixa atividade catalítica enzimática. A viabilidade do uso de plataforma de análise de inteligência artificial de função proteica e dados de metabólitos de espectrometria de massa em tandem para prever com precisão a patogenicidade de lesões metabólicas genéticas foi explorada.

(4) Explorar o uso de big data de genoma e metaboloma e algoritmos de aprendizado de máquina, como floresta aleatória, máquina de vetores de suporte, rede elástica, perceptron multicamadas para construir modelos de previsão para doenças genéticas comuns e se esforçar para obter diagnóstico e previsão precisos de doenças genéticas comuns doenças usando dados simples do metaboloma da espectrometria de massa em tandem e expandir a gama de aplicações da tecnologia de espectrometria de massa em tandem para detecção de doenças.

desenho de pesquisa: estudo observacional retrospectivo Período de pesquisa: setembro de 2022 a dezembro de 2025 Unidades participantes: Aliança de triagem genética neonatal do Sul da China (incluindo unidades de cooperação de 123 hospitais) objeto de pesquisa: Dados de triagem genética de 40.000 recém-nascidos (138 genes relacionados a 133 doenças genéticas comuns) e dados de espectrometria de massa em tandem (11 aminoácidos e 28 acilcarnitinas).

Critérios de inclusão: (1) Recém-nascidos submetidos a triagem genética e espectrometria de massa tandem ao mesmo tempo. (2) Idade: 0-28 dias, idade gestacional 37-42 semanas.

Critérios excluídos: Dados que atendam a qualquer uma das seguintes condições precisam ser eliminados: (1) Dados neonatais com informações clínicas básicas pouco claras; (2) Falta de dados de informações essenciais de rastreabilidade; (3) Os dados que os resultados do teste não podem ser analisados ​​e interpretados.

tamanho da amostra: Triagem genética e dados de espectrometria de massa em tandem de 40.000 recém-nascidos.

coleta de dados: (1) Informações básicas: sexo, idade, tipo de amostra, número de rastreabilidade do sujeito/número de identificação, etc. (2) Sintomas clínicos, dados bioquímicos e de imagem de amostras positivas. (3) Resultados de detecção de genes e resultados de espectrometria de massa em tandem. (4) Data dos dados do teste, modelo do instrumento, tipo de reagente, etc.

Processamento estatístico:O software estatístico IBM-SPSS 26.0 foi utilizado para analisar os resultados dos testes. A análise de regressão logística foi utilizada para avaliar a correlação entre genótipo e fenótipo clínico. O método generalizado de redução da dimensionalidade multifatorial foi utilizado para analisar a interação gene-gene e a correlação genótipo-fenótipo. Com base em dados de espectrometria de massa em tandem, algoritmos de aprendizado de máquina, como floresta aleatória, máquina de vetores de suporte, rede elástica e perceptron multicamadas, foram usados ​​para construir um modelo de predição de genótipos. O efeito de predição do modelo foi avaliado pela exatidão, exatidão do equilíbrio, sensibilidade e especificidade.