将上下文信息融入KGWAS以实现可解释的GWAS发现
机器学习
2026-03-30 v1
摘要
全基因组关联分析（GWAS）识别遗传变异与疾病之间的关联；然而，从关联走向因果机制对于治疗靶点优先排序至关重要。最近提出的知识图谱GWAS（KGWAS）框架通过知识图谱（KG）将遗传变异与下游基因-基因相互作用联系起来，从而提高了检测能力并提供了机制洞察。然而，原始的KGWAS实现依赖于一个大型通用知识图谱，这可能引入虚假相关性。我们假设来自疾病相关细胞类型的细胞类型特异性知识图谱将更好地支持疾病机制发现。在这里，我们表明KGWAS中的通用知识图谱可以在不损失下游任务统计功效的情况下大幅修剪，并且通过纳入来自perturb-seq数据的基因-基因关系，性能进一步提高。重要的是，使用来自直接perturb-seq证据的稀疏、上下文特异性知识图谱能够产生更一致和生物学上稳健的疾病关键网络。
引用
@article{arxiv.2603.25855,
title = {Incorporating contextual information into KGWAS for interpretable GWAS discovery},
author = {Cheng Jiang and Brady Ryan and Megan Crow and Kipper Fletez-Brant and Kashish Doshi and Sandra Melo Carlos and Kexin Huang and Burkhard Hoeckendorf and Heming Yao and David Richmond},
journal= {arXiv preprint arXiv:2603.25855},
year = {2026}
}