การระบุความแปรผันทางพันธุกรรมด้วยแมชชีนเลิร์นนิง — การตรวจจับความแปรผันทางพันธุกรรมด้วย ML
การระบุความแปรผันทางพันธุกรรมโดยใช้แมชชีนเลิร์นนิง (Machine Learning-assisted variant calling) ใช้แบบจำลองการเรียนรู้ทางสถิติ โดยเฉพาะอย่างยิ่งโครงข่ายประสาทเทียมแบบคอนโวลูชัน (convolutional neural networks) เพื่อแยกแยะความแปรผันทางพันธุกรรมที่แท้จริง (SNPs, indels) ออกจากสิ่งแปลกปลอมจากการจัดลำดับเบส (sequencing artifacts) ในข้อมูลการอ่านแบบสั้นหรือแบบยาวที่จัดเรียงแล้ว แตกต่างจากตัวระบุความแปรผันแบบฮิวริสติก (heuristic callers) ที่อาศัยตัวกรองที่สร้างขึ้นด้วยมือ วิธีการที่ใช้ ML จะเรียนรู้โดยตรงจากชุดข้อมูลขนาดใหญ่ที่มีการระบุป้ายกำกับของความแปรผันที่ได้รับการตรวจสอบแล้ว ซึ่งช่วยปรับปรุงความไวและความจำเพาะเจาะจงในแพลตฟอร์มการจัดลำดับเบสและความลึกของการครอบคลุมที่หลากหลาย DeepVariant (2018) ของ Google เป็นการนำไปใช้งานที่สำคัญที่นำการเรียนรู้เชิงลึก (deep learning) มาสู่การระบุความแปรผันทางพันธุกรรมกระแสหลัก
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Poplin, R., Chang, P. C., Alexander, D., Schwartz, S., Colthurst, T., Ku, A., Newburger, D., Dijamco, J., Nguyen, N., Afshar, P. T., Gross, S. S., Dorfman, L., McLean, C. Y., & DePristo, M. A. (2018). A universal SNP and small-indel variant caller using deep neural networks. Nature Biotechnology, 36(10), 983–987. DOI: 10.1038/nbt.4235 ↗
- Krusche, P., Trigg, L., Boutros, P. C., Mason, C. E., De La Vega, F. M., Moore, B. L., Gonzalez-Porta, M., Eberle, M. A., Tezak, Z., Lababidi, S., Truty, R., Asimenos, G., Funke, B., Fleharty, M., Salit, M., Goldfeder, R. L., & Zook, J. M. (2019). Best practices for benchmarking germline small-variant calls in human genomes. Nature Biotechnology, 37(5), 555–560. DOI: 10.1038/s41587-019-0054-x ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Machine Learning-Assisted Genomic Variant Calling. ScholarGate. https://scholargate.app/th/bioinformatics/machine-learning-assisted-variant-calling