近日，中国南方医科大学朱浩教授团队在Cell Reports期刊发表了题为“Uncovering the extensive trade-off between adaptive evolution and disease susceptibility”的研究文章。研究团队开发了一种名为DeepFavored的深度学习算法，该算法通过对已有的全基因组关联研究（GWAS）数据集进行统计测试，可以区分有利突变与“搭便车”突变。研究团队在三个不同的人群中验证了该工具，并确定了基因组进化的协调性：适应特定环境的突变也使人们更容易患上某些疾病，或者携带搭便车突变。
文章发表在Cell Reports上
图1. DeepFavored算法设计原理、输入和输出。
随后，研究团队利用真实世界的GWAS数据检测了东亚（CHB）、欧洲（CEU）、非洲（YRI）三个人群的基因组突变，并比较了DeepFavored、iSAFE和SWIF（r）的性能。该研究重点分析了与饮食相关的基因等位基因，包括与代谢或味觉以及免疫相关的基因，并假设上述三个群体需要适应与病原体和食物供应相关的不同压力。
图2. 有利突变和搭便车突变在GWAS位点富集。
在确定了三个人类群体的有利突变后，研究团队综合分析了有利/搭便车突变与GWAS位点之间的相关性。通过计算有利突变、搭便车突变和普通突变的GWAS位点的比例，发现有利突变和搭车突变中GWAS位点的比例明显高于普通突变。
图3.不同突变的GWAS位点。
环境变化、病原体进化以及生活方式改变驱动着基因组的适应性进化。基因组区域的许多变化可能会产生有害的搭便车突变。当新的外部变化发生时，有利突变可能会变得不适应，甚至变得与疾病相关。越来越多的研究强调了适应性进化和疾病易感性之间的协调性，但其规模和细节还不清楚。研究团队开发的深度学习算法DeepFavored能够系识别有利突变，为适应性进化和疾病易感性之间的广泛协调性分析提供了证据。此外，人群特异性有利突变和疾病相关突变的联合分析，可以为精准医疗提供有价值的数据和线索。
图4. 研究概要。
参考资料：
1.Ji Tang, Maosheng Huang, Sha He, et al. Uncovering the extensive trade-off between adaptive evolution and disease susceptibility. Cell Reports, 2022. DOI:https://doi.org/10.1016/j.celrep.2022.111351
https://www.cell.com/cell-reports/fulltext/S2211-1247(22)01179-2#secsectitle0080
2.Historic Adaptations May Now Make Us Susceptible to Disease
https://www.the-scientist.com/news-opinion/historic-adaptations-may-now-make-us-susceptible-to-disease-70506
本文由 SEQ.CN 作者：白云 发表，转载请注明来源！
