Unsupervised deep representation learning enables phenotype discovery for genetic association studies of brain imaging

全基因组关联研究 深度学习 人工智能 生命银行 神经影像学 卷积神经网络 影像遗传学 自编码 遗传建筑学 遗传关联 计算机科学 无监督学习 表型 机器学习 计算生物学 单核苷酸多态性 模式识别(心理学) 生物 神经科学 生物信息学 遗传学 基因型 基因
作者
Kirti Patel,Ziqian Xie,Hao Yuan,Sheikh Muhammad Saiful Islam,Yaochen Xie,Wei He,Wanheng Zhang,Assaf Gottlieb,Han Chen,Luca Giancardo,Alexander Knaack,Evan Fletcher,Myriam Fornage,Shuiwang Ji,Degui Zhi
出处
期刊:Communications biology [Springer Nature]
卷期号:7 (1) 被引量:3
标识
DOI:10.1038/s42003-024-06096-7
摘要

Abstract Understanding the genetic architecture of brain structure is challenging, partly due to difficulties in designing robust, non-biased descriptors of brain morphology. Until recently, brain measures for genome-wide association studies (GWAS) consisted of traditionally expert-defined or software-derived image-derived phenotypes (IDPs) that are often based on theoretical preconceptions or computed from limited amounts of data. Here, we present an approach to derive brain imaging phenotypes using unsupervised deep representation learning. We train a 3-D convolutional autoencoder model with reconstruction loss on 6130 UK Biobank (UKBB) participants’ T1 or T2-FLAIR (T2) brain MRIs to create a 128-dimensional representation known as Unsupervised Deep learning derived Imaging Phenotypes (UDIPs). GWAS of these UDIPs in held-out UKBB subjects (n = 22,880 discovery and n = 12,359/11,265 replication cohorts for T1/T2) identified 9457 significant SNPs organized into 97 independent genetic loci of which 60 loci were replicated. Twenty-six loci were not reported in earlier T1 and T2 IDP-based UK Biobank GWAS. We developed a perturbation-based decoder interpretation approach to show that these loci are associated with UDIPs mapped to multiple relevant brain regions. Our results established unsupervised deep learning can derive robust, unbiased, heritable, and interpretable brain imaging phenotypes.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
清新的夜梦完成签到,获得积分10
1秒前
李爱国应助科研通管家采纳,获得10
1秒前
英俊的铭应助科研通管家采纳,获得10
1秒前
Mik完成签到,获得积分10
3秒前
楚之杰者完成签到,获得积分10
3秒前
6秒前
一个美女完成签到,获得积分10
6秒前
老实的熊猫完成签到 ,获得积分10
6秒前
Anonymous完成签到,获得积分10
8秒前
天真的莺完成签到,获得积分10
8秒前
9秒前
9秒前
昨夜星辰メ完成签到 ,获得积分0
9秒前
M芦芦M完成签到 ,获得积分10
10秒前
甜甜圈发布了新的文献求助10
11秒前
makenemore完成签到,获得积分10
12秒前
帅气的祥发布了新的文献求助10
13秒前
Levi李完成签到 ,获得积分10
13秒前
14秒前
班启楠发布了新的文献求助10
14秒前
vividkingking完成签到 ,获得积分10
15秒前
16秒前
16秒前
zyc完成签到,获得积分10
17秒前
虎虎虎完成签到,获得积分10
17秒前
eee完成签到,获得积分10
18秒前
lzzzz完成签到,获得积分10
19秒前
Micahaeler完成签到 ,获得积分10
20秒前
20秒前
兰东平发布了新的文献求助10
20秒前
pophoo完成签到,获得积分10
20秒前
天马行空完成签到,获得积分10
23秒前
小刚完成签到,获得积分0
23秒前
科研小辣机完成签到 ,获得积分10
24秒前
te完成签到 ,获得积分10
24秒前
机智妙菡完成签到,获得积分10
25秒前
leiiiiiiii完成签到,获得积分10
26秒前
帅气的祥完成签到,获得积分10
26秒前
甜甜球完成签到,获得积分10
27秒前
大大大大黄完成签到,获得积分10
28秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 400
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3155034
求助须知:如何正确求助?哪些是违规求助? 2805782
关于积分的说明 7866201
捐赠科研通 2464114
什么是DOI,文献DOI怎么找? 1311735
科研通“疑难数据库(出版商)”最低求助积分说明 629742
版权声明 601862