medigraphic.com
ISSN 1684-1859 (Impreso)

2023, Número 1

<< Anterior Siguiente >>

Revista Cubana de Informática Médica 2023; 15 (1)


Desencadenando el poder de MutationTaster2 y MutationTaster2021: el enfoque de aprendizaje automático para el análisis de variantes genéticas

Datta N

Idioma: Ingles.
Referencias bibliográficas: 12
Paginas:
Archivo PDF: 360.28 Kb.


RESUMEN

MutationTaster es una herramienta web ampliamente utilizada que predice el impacto funcional de las variantes genéticas. En los últimos años, el software ha experimentado mejoras significativas, lo que ha llevado al desarrollo de MutationTaster2 y MutationTaster2021. La principal diferencia entre estas dos versiones es el uso de conjuntos de datos de referencia actualizados y un algoritmo mejorado para la clasificación de variantes. MutationTaster2 utiliza la base de datos dbNSFP, mientras que MutationTaster2021 incorpora datos de gnomAD y ClinVar. Ambas versiones emplean un enfoque de aprendizaje automático que combina múltiples características para predecir la patogenicidad variante, incluida la conservación evolutiva, las propiedades físicas de los cambios de aminoácidos y el efecto potencial en la función de la proteína. El resultado de MutationTaster es una puntuación que indica la probabilidad de que una variante cause una enfermedad; una puntuación alta indica una alta probabilidad de patogenicidad. En general, MutationTaster2 y MutationTaster2021 representan herramientas valiosas para investigadores y médicos en el campo del análisis de variantes genéticas, ya que proporcionan predicciones precisas y eficientes de la patogenicidad de variantes.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Schwarz JM, Cooper DN, Schuelke M, Seelow D. (2014). MutationTaster2: mutation prediction for the deep-sequencing age. Nature Methods, 11, 361-36 [Cited Feb 2023 ] Available: https://www.researchgate.net/publication/261220703_MutationTaster2_Mutation_prediction_for_the_deep-sequencing_age1.

  2. Steinhaus R, Proft S, Schuelke M, Cooper DN, Schwarz JM, Seelow D, (2021), MutationTaster2021, Nucleic Acids Research, Volume 49, Issue W1, Pages W446-W451. [Internet]. [cited Feb 2023 ] Available in: https://doi.org/10.1093/nar/gkab2662.

  3. Adzhubei IA, Schmidt S, Peshkin L, Ramensky VE, Gerasimova A, Bork P, Kondrashov AS, Sunyaev SR. (2010). A method and server for predicting damaging missense mutations. Nature methods, 7(4), 248-249. [Internet]. [cited Feb 2023 ] Available in: https://doi.org/10.1038/nmeth0410-2483.

  4. Ng PC, Henikoff S. Predicting deleterious amino acid substitutions. Genome Res, 2001; 11, 863-874. [Cited Feb 2023] Available: Available: https://europepmc.org/backend/ptpmcrender.fcgi?accid=PMC311071&blobtype=pdf 4.

  5. Reva B, Antipin Y, Sander C. Predicting the functional impact of protein mutations: application to cancer genomics. Nucleic acids research, 2011; 39(17), e118. [Internet]. [cited Feb 2023 ]Available in: https://europepmc.org/article/MED/217270905.

  6. Hombach D, Schuelke M, Knierim E, Ehmke N, Schwarz JM, Fischer-Zirnsak B, et Al. MutationDistiller: user-driven identification of pathogenic DNA variants, Nucleic Acids Research, Volume 47, Issue W1, 02 July 2019, Pages W114-W120, [Cited Mar. 2023] Available: https://doi.org/10.1093/nar/gkz3306.

  7. Lek M, Karczewski KJ, Minikel EV, Samocha KE, Banks E, Fennell T, O'Donnell-Luria AH, Ware JS, Hill AJ, Cummings BB, et Al. Exome Aggregation Consortium . Analysis of protein-coding genetic variation in 60,706 humans. Nature, 2016; 536(7616), 285-291. [Internet]. [cited Feb 2023 ] Available in: https://doi.org/10.1038/nature190577.

  8. Karczewski KJ, Francioli LC, Tiao G, et al. The mutational constraint spectrum quantified from variation in 141,456 humans. Nature 581, 434-443 (2020). [Internet]. [cited Feb 2023 ] Available in: https://doi.org/10.1038/s41586-020-2308-78.

  9. Auton A, Brooks LD, Durbin RM, Garrison EP, Kang HM, Korbel JO, Marchini JL, McCarthy S, McVean GA, Abecasis GR .1000 Genomes Project Consortium,. A global reference for human genetic variation. Nature, 2015; 526(7571), 68-74. [Internet]. [cited Feb 2023 ] Available in: https://doi.org/10.1038/nature153939.

  10. Ho TK. Random decision forests. In Proceedings of 3rd international conference on document analysis and recognition 1995 (Vol. 1, pp. 278-282).

  11. Yeo G, Burge CB. Maximum Entropy Modeling of Short Sequence Motifs with Applications to RNA Splicing Signals, RECOMB. 2003[cited Mar 2023] Available in: https://www.researchgate.net/publication/8423973_Maximum_Entropy_Modeling_of_Short_Sequence_Motifs_with_Applications_to_RNA_Splicing_Signals11.

  12. Kircher M, Witten DM JP, O'Roak BJ, Cooper GM, Shendure J. A general framework for estimating the relative




2020     |     www.medigraphic.com