[发明专利]基于神经网络的基因突变致病性检测方法、系统及介质

说明书

本发明公开了一种基于神经网络的基因突变致病性检测方法、系统及介质，本发明方法包括输入待检测的基因检测VCF文件以及HPO表型；根据待检测的基因检测VCF文件以及HPO表型获取各个基因变异的特征值；对于每一种基因变异，将该基因变异的特征值输入训练好的神经网络模型得到该基因变异的致病性综合分析结果，神经网络模型被预先训练建立了各个基因变异的特征值、各个基因变异的致病性综合分析结果之间的映射关系。本发明不仅克服了人工分析的主观性缺陷，而且能够综合考虑影响基因突变致病性的各种因素，使得综合分析的结果更为客观有效，大大提高了对基因突变致病性分析的准确性，提高了基因解读的效率。

技术领域

本发明涉及的基因检测基因解读技术，具体涉及一种基于神经网络的基因突变致病性检测方法、系统及介质。

背景技术

在基因检测中，如何从成千上万的基因突变中获得致病的基因突变，是基因解读的关键。传统的基因突变致病性分析的主要方法包括：(1)通过查找生物医学领域的专业数据库，看相应的基因或突变是否有致病的数据库记录，这些数据库包括OMIM、Orphanet、HGMD、Clinvar等；(2)通过蛋白质功能预测，判定该基因突变是否存在风险，常用的蛋白质功能预测软件如SIFT、PolyPhen2、MutationTaster、DANN、CADD等；(3)根据该基因突变在人群中出现的频率，判定基因突变的风险，常用的人群数据库包括GnomAD(GenomeAggregation Database)，ExAC(the Exome Aggregation Consortium)和1KGP(1000Genomes Project)等；(4)其他解读结果：如ACMG(American College of MedicalGenetics and Genomics)突变解析、突变位点的保守性、突变是否在重复区域等等。因此，基因突变的分析结果涉及很多方面，结果数据繁多，单方面的分析结果都不能准确预测出基因突变的致病性强弱，专家需要综合分析这些项的结果，人工给出基因突变的致病性结果，这是一项十分耗时的工作。

如何从多方面的基因突变致病性分析结果得到一个致病性综合分析值，使得医生仅需关注致病性综合值较高的基因变异，大大减少医生所需关注的基因突变的数量，是基因解读需要解决的关键问题。目前这一领域最常用的方法是Exomiser，它将基因突变从突变、算法和基因三个层面进行打分，再使用逻辑回归的方式对三种打分进行组合，获得一个致病性综合性分析值。这一方法最大的缺陷是考虑的致病性影响因素较少，而且有些因素(如老鼠和斑马鱼数据)对人的遗传病影响不大，有些关键性因素未考虑进去，导致获得的致病性综合性分析值准确性不高。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于神经网络的基因突变致病性检测方法、系统及介质，与传统的人工解读和Exomiser基因突变致病性综合性分析方法相比，本发明通过神经网络模型对训练样本进行学习，获取基因突变的大量特征和致病性之间的内在关联，不仅克服了人的主观性缺陷，而且能够综合考虑影响基因突变致病性的各种因素，使得综合分析的结果更为客观有效，从而大大提高了对基因突变致病性分析的准确性，提高了基因解读的效率。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于神经网络的基因突变致病性检测方法，实施步骤包括：

1)输入待检测的基因检测VCF文件以及HPO表型；

2)根据待检测的基因检测VCF文件以及HPO表型获取各个基因变异的特征值；

3)对于每一种基因变异，将该基因变异的特征值输入训练好的神经网络模型得到该基因变异的致病性综合分析结果，所述神经网络模型被预先训练建立了各个基因变异的特征值、各个基因变异的致病性综合分析结果之间的映射关系；

4)按照致病性综合分析结果从高到低进行排序，确定每个基因变异的致病性优先级，按优先级顺序输出每个基因变异及其致病性综合分析结果。