Многоцентровый анализ геномных и метаболических данных неонатальных генетических заболеваний (MAOFGAMDNGD)

Название объекта: Многоцентровый анализ геномных и метаболических данных неонатальных генетических заболеваний. Цель исследования: (1) Данные секвенирования генов (138 генов, связанных со 133 распространенными генетическими заболеваниями) и данные метаболомики тандемной масс-спектрометрии (11 аминокислот и 28 ацилкарнитинов) примерно 40 000 новорожденных из подразделений, участвующих в Южно-Китайском альянсе по генетическому скринингу новорожденных, были собраны и сопоставлены для завершения создания базы данных генов и масс-спектрометрии.

(2) Проведен ретроспективный анализ заболеваемости, патогенных мутаций, предполагаемых патогенных мутаций и частоты носительства необъяснимых мутаций 133 распространенных неонатальных генетических заболеваний в 40 000 случаев, а также подсчитано распределение высокочастотных участков изменчивости в популяции. , обеспечивая научную основу для выбора участков мутации для крупномасштабного генетического скрининга генетических заболеваний новорожденных.

(3) Прогнозирование функции белка и анализ каталитической активности ферментов были выполнены на сайтах высокочастотных мутаций генетических метаболических заболеваний (IEM). Характерные метаболиты были проанализированы и проверены на наличие сайтов мутаций с низкой каталитической активностью ферментов. Была изучена возможность использования платформы анализа функций белка с использованием искусственного интеллекта и данных метаболитов тандемной масс-спектрометрии для точного прогнозирования патогенности генетических метаболических поражений.

(4) Изучить использование больших данных о геноме и метаболоме и алгоритмов машинного обучения, таких как случайный лес, машина опорных векторов, эластичная сеть, многослойный персептрон, для построения моделей прогнозирования распространенных генетических заболеваний, а также стремиться к достижению точной диагностики и прогнозирования общих генетических заболеваний. заболеваний с использованием метаболомных данных простой тандемной масс-спектрометрии и расширить диапазон применения технологии тандемной масс-спектрометрии для выявления заболеваний.

Дизайн исследования: ретроспективное наблюдательное исследование. Период исследования: сентябрь 2022 г. по декабрь 2025 г. Участвующие подразделения: Южно-Китайский альянс генетического скрининга новорожденных (включая подразделения сотрудничества 123 больниц). Объект исследования: данные генного скрининга 40 000 новорожденных (138 генов, связанных со 133 распространенными генетическими заболеваниями). и данные тандемной масс-спектрометрии (11 аминокислот и 28 ацилкарнитинов).

Критерии включения: (1) Новорожденные, прошедшие одновременно генетический скрининг и тандемную масс-спектрометрию. (2) Возраст: 0–28 дней, срок беременности 37–42 недели.

Исключенные критерии: Данные, соответствующие любому из следующих условий, должны быть исключены: (1) Неонатальные данные с неясной базовой клинической информацией; (2) Отсутствие прослеживаемости основных информационных данных; (3) Данные о том, что результаты испытаний не могут быть проанализированы и интерпретированы.

размер выборки: данные генного скрининга и тандемной масс-спектрометрии 40 000 новорожденных.

Сбор данных: ( 1 ) Основная информация: пол, возраст, тип образца, номер отслеживания субъекта / идентификационный номер и т. д. ( 2 ) Клинические симптомы, биохимические данные и данные визуализации положительных образцов. (3) Результаты обнаружения генов и результаты тандемной масс-спектрометрии. (4) Дата данных теста, модель прибора, тип реагента и т. д.

Статистическая обработка. Для анализа результатов испытаний использовали статистическое программное обеспечение IBM-SPSS 26.0. Логистический регрессионный анализ использовался для оценки корреляции между генотипом и клиническим фенотипом. Для анализа межгенного взаимодействия и корреляции генотип-фенотип использовался обобщенный многофакторный метод снижения размерности. На основе данных тандемной масс-спектрометрии для построения модели прогнозирования генотипа были использованы алгоритмы машинного обучения, такие как случайный лес, машина опорных векторов, эластичная сеть и многослойный перцептрон. Прогностический эффект модели оценивался по точности, точности баланса, чувствительности и специфичности.