Gwas data analysis with the use of machine learning algorithms – review

• Autorzy: Kloska Sylwester Michał , Marciniak Anna

Warianty tytułu

PL

Analiza danych GWAS przy użyciu algorytmów uczenia maszynowego – przegląd literatury

• Języki publikacji: EN

Abstrakty

EN

Machine learning is a part of field concerned with AI. The main goal of machine learning algorithms is to create automatic system that improves itself with the use of its experience (given data) to gain new knowledge. Genome-Wide Association Studies compare whole genomes of different individuals in order to see if any of genetic variants are correlated with a trait. Using ML for GWAS analysis can be beneficial for scientists. It has been proved several times in various ways.

PL

Uczenie maszynowe jest dziedziną nauki związaną ze sztuczną inteligencją. Głównym celem algorytmów uczenia maszynowego jest stworzenie automatycznego systemu, który poprawia się dzięki wykorzystaniu swojego doświadczenia (danych) w celu zdobycia nowej wiedzy. Badania asocjacyjne całego genomu (GWAS) porównują całe genomy różnych osobników, aby sprawdzić, czy którykolwiek z wariantów genetycznych jest skorelowany z cechą. Wykorzystanie ML do analizy GWAS może być korzystne dla naukowców. Zostało to udowodnione na różne sposoby.

Słowa kluczowe

EN

machine learning; genome-wide association studies; GWAS; artificial intelligence; bioinformatics

PL

uczenie maszynowe; badanie asocjacyjne całego genomu; GWAS; sztuczna inteligencja; bioinformatyka

• Wydawca: Wydawnictwa Uczelniane Politechniki Bydgoskiej im. Jana i Jędrzeja Śniadeckich
• Czasopismo: Zeszyty Naukowe. Telekomunikacja i Elektronika / Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy
• Rocznik: 2019
• Tom: nr 23
• Strony: 23--32
• Opis fizyczny: Bibliogr. 16 poz., rys.

Twórcy

autor

Kloska Sylwester Michał

• Nicolaus Copernicus University Ludwik Rydygier Collegium Medicum in Bydgoszcz, Department of Medicine, ul. Jagiellońska 13-15, 85-067 Bydgoszcz, Poland

autor

Marciniak Anna

• Nicolaus Copernicus University Ludwik Rydygier Collegium Medicum in Bydgoszcz, Department of Medicine, ul. Jagiellońska 13-15, 85-067 Bydgoszcz, Poland
• University of Science and Technology, Faculty of Telecommunications, Computer Science and Electrical Engineering, Al. Prof. S. Kaliskiego 7, 85-796 Bydgoszcz, Poland

Bibliografia

• [1] Beam A.L., Motsinger-Reif A., Doyle J., 2014. Bayesian neural networks for detecting epistasis in genetic association studies. BMC Bioinformatics 15(1), 1–12.
• [2] Bishop C., 2006. Pattern Recognition and Machine Learning. Springer Cambridge. [3] Bush W.S., Moore J.H., 2012. Genome-Wide Association Studies (Chapter 11). PLoS Comput. Biol 8(12).
• [4] Hajiloo M., et al., 2013. ETHNOPRED: A novel machine learning method for accurate continental and sub-continental ancestry identification and population stratification correction. BMC Bioinformatics 14.
• [5] Han B ., P ark M ., C hen X .-W., 2010. A Markov blanket-based method for detecting causal SNPs in GWAS. BMC Bioinformatics 11(SUPPL. 3).
• [6] Jain S. et al., 2016. Weakly supervised learning of biomedical information extraction from curated data. BMC Bioinformatics 17(1), 1–12.
• [7] Khan A., Liu Q., Wang K., 2018. iMEGES: Integrated mental-disorder GEnome score by deep neural network for prioritizing the susceptibility genes for mental disorders in personal genomes. BMC Bioinformatics 19(Suppl. 17).
• [8] Larranaga P. et al., 2005. Machine learning in bioinformatics. Brief. Bioinform 7(1), 112.
• [9] Leal L.G. et al., 2019. Identification of disease-associated loci using machine learning for genotype and network data integration. Bioinformatics May, 1–9.
• [10] Long G.S., Hussen M., Dench J., Aris-Brosou S., 2019. Identifying genetic determinants of complex phenotypes from whole genome sequence data. BMC Genomics 20(1), 1–17.
• [11] Merelli I., et al., 2013. SNPranker 2.0: A gene-centric data mining tool for diseases associated SNP prioritization in GWAS. BMC Bioinformatics 14(SUPPL.1), 1–12.
• [12] Nikoghosyan M., Hakobyan S., Hovhannisyan A., Loeffler-Wirth H., Binder H., Arakelyan A., 2019. Population levels assessment of the distribution of diseaseassociated variants with emphasis on Armenians – A machine learning approach. Front. Genet 10(APR), 1–16.
• [13] Pandey J.P., 2010. Genomewide association studies and assessment of risk of disease. N. Engl. J. Med. 363(21), 2076–2077.
• [14] Pearson T.A., Manolio T.A., 2008. How to Interpret a Genome-wide Association Study. JAMA 299(11), 1335–1344.
• [15] Samuel A.L., 1959. Some Studies in Machine Learning Using the Game of Checkers. IBM J. Res. Der. 3(3), 210–229.
• [16] Tarca A.L., Carey V.J., Chen X.-W., Romero R., Drǎghici S., 2007. Machine learning and its applications to biology. PLoS Comput. Biol. 3(6).