用于精神分裂症遗传风险预测的端到端深度学习方法

《Nature Communications》发表关于精神分裂症遗传风险预测的端到端深度学习研究，提出了一种直接从基因组数据建模复杂疾病易感性的新方法。

• 模型架构设计：研究构建了端到端深度神经网络，绕过传统依赖预设统计假设的多基因风险评分（PRS）流程，直接学习全基因组数据表征。
• 非线性互作捕捉：该架构有效提取了复杂基因位点之间的非线性关联与高阶上位效应，在多组独立测试队列中展现出优于传统线性模型的风险辨识精度。
• 临床转化探索：论文验证了深度学习在解析高异质性精神类疾病遗传架构中的有效性，为个体化早期风险筛查与分子分型提供了计算工具。
• 影响/看点：该研究验证了深度学习处理高维基因组数据的优越性，可能推动复杂多基因疾病的精准预测从线性统计向端到端表征学习演进，其实际临床应用仍取决于在跨族群、多样化队列中的泛化能力验证。
• 资料依据:
• Nature Communications（2026-09-02）：https://www.nature.com/articles/s41467-026-76663-5

本内容由 AI 生成，仅供参考，请注意甄别