通过基于贝叶斯和单倍型的预测胎儿基因型实现单基因疾病的无创产前基因诊断原创

无创产前基因诊断n ipd可以在妊娠早期识别单基因疾病，但现有的单倍型分析方法在某些情况下无法准确推断亲本遗传，特别是在杂合的母体或附体位点或缺乏单倍型或基因组项位数据的位点。为解决这一问题，研究组开发了一种结合贝叶丝模型和单倍型分析的方法，用于通过母体血浆中的无细胞DNA和父母基因组DNA测序数据来无创推断胎儿基因型。研究通过对a a ABA abaa和ABA ABB三种位点类型，展示了贝叶斯模型、单倍型分析以及两者相结合的方法在无创产前基因诊断中的应用和效果。As模型在a a ABB位点表现最佳，然而对于更复杂的ABAAA和ABAAB位点，该模型的准确性显著下降，但背型分析则在改善ABA和abab位点的预测方面表现出色。它不仅提高了SMV的检测准确。

的率还在IND检测中展现了良好的性能，特别是在ABAA位点，然而仍有3%~10%的ABAA位点无法推断基因型。结合了贝叶斯模型和单倍型分析的方法，在ABA位点的SNV基因型准确度为94%~98%，在实际单基因疾病检测中显示出最佳的综合表现。研究还发现，胎儿DNA比例FF是影响检测准确率的关键因素，这在贝叶斯模型中尤为明显。随着FF的增加，预测的准确性也相应提高。相比于单独使用贝叶斯模型或单倍型方法，研究将两种方法相结合能够很好的克服各自的局限性，提供更全面和准确的检测结果，特别是在复杂情况下。研究组在数据分析阶段使用CTN进行duplicate removal indoor realignment以及BQSR碱基质量分数重校准，并进行变异检测。使用Dco。

检测SMVS和indes dnscope是3TN自主研发的准确高效的胚系变异检测算法，在jatk的基础上优化了核心算法，同时结合机器学习基因分析模型，具有强鲁棒性等特点，能够支持来自二代、三代测序平台的快速转科林能提供匹配不同测试平台数据的机器学习模型。相比于gatk金标准CTN在降低计算成本的情况下，能够大幅度提升SNMP和indo的检测准确度，能更快、更精准的向研究人员提供变异检测结果。