效率高，无需标签，谷歌团队用AI挖掘临床数据，改善基因发现和疾病预测，登Nature子刊
内容提要
谷歌研究的基因组学团队开发了一种新的无监督深度学习模型，称为REGLE，该模型利用高维临床数据（HDCD）来发现基因变异与疾病之间的关联。REGLE优于现有方法，改进了基因发现和疾病预测，并增强了遗传风险评分。它可以在没有标记数据的情况下识别对器官功能的遗传影响，并有可能识别新的药物靶点。研究人员使用肺功能和心血管功能数据展示了REGLE的功能。该方法将进一步加深我们对人类特征和疾病遗传基础的理解。
延伸解读
无监督学习如何提升基因发现效率
REGLE 的核心优势在于无需疾病标签即可从高维临床数据中挖掘遗传关联。传统方法依赖专家定义特征，可能遗漏数据中隐藏的信号。REGLE 通过变分自动编码器学习低维表示，再对每个编码坐标进行全基因组关联分析，从而发现更多基因位点。这种无监督策略不仅计算效率高，还能整合专家知识，为基因发现提供了新思路。
对疾病预测与风险分层的实际影响
基于 REGLE 嵌入构建的多基因风险评分在 COPD、哮喘、高血压和收缩压预测中均优于传统方法。研究在多个独立数据集上验证了其稳健性，表明该方法能更有效地对风险人群进行分层。这意味着未来或可借助常规临床数据（如肺量图、PPG）实现更精准的疾病风险预测，辅助早期干预。
部分可解释性带来的生物学洞察
REGLE 的生成特性允许研究者通过改变单个编码坐标来观察其对肺量图形状的影响。例如，改变第一个坐标可调节流量-体积曲线的凹陷程度，而凹陷是气道阻塞的指标，传统专家特征难以充分捕捉。这种部分可解释性有助于理解遗传变异如何影响器官功能，为生物学机制研究提供线索。
潜在应用与未来方向
REGLE 不仅改进了基因发现和风险预测，还提供了一种在少量标签下生成疾病特异性 PRS 的方法。其框架支持整合专家特征，并适用于肺量图和 PPG 等多种临床数据。未来，类似方法有望更广泛地应用于阐明人类特征和疾病的遗传基础，并可能推动新药物靶点的识别。
Q&A
REGLE模型的主要功能是什么？
REGLE模型利用高维临床数据发现基因变异与疾病的关联，改进基因发现和疾病预测。
REGLE如何处理高维临床数据？
REGLE使用变分自动编码器(VAE)模型，通过学习低维表示来处理高维临床数据。
REGLE在疾病预测方面的表现如何？
REGLE生成的多基因风险评分在COPD和哮喘预测中表现优于现有方法。
REGLE模型的创新之处是什么？
REGLE模型的创新在于无需标记数据即可识别遗传影响，并能整合专家特征。
REGLE如何识别新的药物靶点？
REGLE通过检测与肺和循环功能相关的新基因位点，有潜力识别新的药物靶点。
REGLE模型的应用数据来源是什么？
REGLE模型的应用数据来源于肺功能和心血管功能的高维临床数据。
