通过机器学习进行基因组的预测与学习，实现提前预测人类疾病

通过机器学习进行基因组预测与学习，可有效实现人类疾病的提前预测，以眼部疾病青光眼为例，机器学习改进全基因组关联研究（GWAS）并提升多基因风险评分（PRS）准确性，进而提高疾病预测能力。具体说明如下：机器学习改进GWAS以识别遗传变异GWAS原理与挑战：全基因组关联研究（GWAS）是了解遗传变异和性状之间关系的关键方法，通过检查队列中每个遗传变异与感兴趣性状的相关性，识别与疾病密切相关的基因，构建多基因风险评分（PRS）预测疾病易感性。但准确测量个体表型对GWAS至关重要，传统方法常需艰苦的专家管理和/或主观判断。机器学习模型的应用：Google展示如何使用机器学习（ML）模型对医学成像数据进行分类以改进GWAS。例如，选择使用眼底图像准确预测患者是否应转诊进行青光眼评估的模型，该模型预测视盘和视杯的直径，计算垂直杯盘比（VCDR），VCDR与青光眼风险密切相关。在大型数据集上的应用与发现：Google应用此模型预测来自英国生物银行约50万人的所有眼底图像中的VCDR，并在该数据集中执行GWAS，识别与VCDR基于模型的预测相关的遗传变异。基于ML的GWAS确定了156个与VCDR相关的不同基因组区域，复制了Craig等人发现的65个关联中的62个，还发现了93个新的关联。基于ML的GWAS改进多基因模型预测验证新关联的生物学相关性：为验证基于ML的GWAS中发现的新关联具有生物学相关性，Google使用Craig等人开发的独立PRS和基于ML的GWAS结果，测试它们在UK Biobank子集和EPIC - Norfolk独立队列中预测人类专家标记的VCDR的能力。在两个数据集中，从基于ML的GWAS开发的PRS显示出比从专家标记方法构建的PRS更强的预测能力，表明基于ML的方法发现的新关联影响VCDR生物学，且改进的表型模型准确性转化为更强大的GWAS。- 对青光眼的预测能力：由于VCDR与青光眼密切相关，Google调查基于ML的PRS是否与自我报告患有青光眼或有相关医疗程序代码的个体相关。发现使用模型预测确定的VCDR的PRS可预测个体有青光眼迹象的概率，PRS 2.5或更多标准差高于平均值的个体患青光眼的可能性是其他个体的3倍以上。且来自基于ML的表型的VCDR PRS比广泛手动表型产生的VCDR PRS更能预测青光眼。