CN-RNN: a deep learning framework for copy number variants detection with exome sequencing data
Outil / méthode
Classification de CNV candidats par apprentissage profond : BiLSTM sur la profondeur de lecture et MLP sur le contenu en GC, la mappabilité et la longueur des exons
Résumé
La détection des CNV à partir de l'exome reste limitée par un taux élevé de faux positifs et une faible sensibilité pour les CNV courts. CN-RNN procède en deux temps : une génération de candidats à haute sensibilité, puis une classification par apprentissage profond combinant une branche BiLSTM, qui capte les variations de profondeur et les dépendances entre exons voisins, et une branche MLP qui intègre des caractéristiques régionales (contenu en GC, mappabilité, longueur des exons). Le modèle a été entraîné sur des trios parents-enfant de l'Autism Sequencing Consortium, avec des étiquettes construites par filtrage d'hérédité mendélienne. En validation interne et sur deux jeux externes construits avec des références distinctes, CN-RNN surpasse de façon constante les callers CNV exome et les méthodes d'apprentissage profond existants. Le code est disponible sur GitHub.
Synthèse rédigée par Geno'X. Pour l'abstract original complet, consulter la publication source.
Analyse
Le besoin est réel pour tout laboratoire qui rend des exomes, puisque les CNV courts y sont le maillon faible, comme le rappelle l'abstract. Mais aucun chiffre de sensibilité ou de précision n'y est donné et les outils battus ne sont pas nommés, ce qui empêche de juger l'ampleur du gain. Reste à éprouver CN-RNN sur des CNV pathogènes confirmés en contexte diagnostique, au-delà des étiquettes mendéliennes d'une cohorte de recherche.
Analyse par Dr Thibaut Benquey
Pourquoi ce score ?
Impact clinique : 2/3 · Solidité de l'évidence : 2/3 · Nouveauté : 1/2 · Effectif : 1/1 · Statut de publication : 1/1 → Total : 7/10
Mots-clés
Chaque mercredi · Sélection commentée · Gratuit · Désabonnement en 1 clic