XiaoMi-AI文件搜索系统
World File Search System遗传变异
遗传学年度评论：可扩展的功能分析用于解释人类遗传变异
大规模 DNA 测序从根本上改变了我们在整个生命科学领域探索疾病生物学机制的能力。基因组技术的可及性正在改变临床上的患者管理，并以越来越大的规模和分辨率推动分子、生物物理和细胞研究。在这里，我们回顾了序列功能研究在全面人类遗传变异集的大规模功能评估中的效用和应用，重点是单核苷酸变异 (SNV)。我们概述了可扩展功能检测设计的基本原理，并提出了选择替代模型系统和实验方法的框架。虽然本综述重点关注基于细胞的 SNV 检测，但相同的原理可能适用于一系列模型系统和遗传变异类型。人类疾病遗传学领域的主要目标是将基因位点与疾病和性状相关的表型联系起来。在最初的人类参考基因组的基础上，研究人员在对遗传变异进行分类方面取得了巨大进展（1、24、101、119、121、191）。大规模人群的基因分型和测序[例如英国生物样本库（25）、All of Us（6）和日本生物样本库（141）]，以及个人健康、人口统计和生活方式信息，已帮助将数千个基因位点与人类特征和疾病联系起来，并随着测序人群规模和多样性的增加而继续揭示遗传关联（24、181）。尽管基于人群的研究越来越有能力将常见变异与人类表型联系起来，但它们不适合对罕见和极其罕见的变异进行关联——这些变异占大多数遗传变异，并且往往对疾病表型的影响比常见变异更大（33）。考虑到目前人类群体中几乎存在所有可能的单核苷酸变异（122, 195），即使是最罕见的变异也需要进行功能评估。在这里，大规模的序列功能研究对于通过实验推断变异的影响至关重要。此外，对于常见变异，这些研究可以帮助在数千种常见性状相关单倍型中识别致病变异（61）。展望未来，序列功能研究对于加快评估等位基因频率范围内的遗传变异至关重要，并在此过程中帮助我们了解变异功能障碍的机制。到目前为止，可扩展的变异效应多重分析（MAVE）已经共同探究了数十万种遗传变异的功能后果，涵盖编码元件（18、21、28、50、73、74、77、78、81、88、96、112、124、127、143、173、175、194、196）和非编码元件，例如剪接位点（15、20、72、97、102、197）非翻译信使 RNA（mRNA）区域（163）、启动子（108）和增强子（108、135、148）。这些变异到功能 (V2F) 研究可以生成变异效应 (VE) 图谱，捕捉目标元素内所有可能的替换对功能的影响，包括尚未在人类中观察到的变异的影响。目前，人们正在形成一个共同的愿景，即建立一个涵盖人类基因组中所有功能元素的 VE 图谱 (11)——其关键要求是建立一套协调的可扩展功能检测方法。
用于...的天然和人工遗传变异来源
过去几千年来，传统育种已成功选育出有益的食品、饲料和纤维作物特性。上个世纪，技术取得了重大进步，特别是在标记辅助选择和诱导遗传变异的产生方面，包括过去几十年通过突变育种、基因改造和基因组编辑取得的进步。虽然传统品种开发和转基因基因改造的监管框架已广泛建立，但许多地区缺乏或仍在制定基因组编辑的监管框架。特别是，基因组编辑植物中缺乏“外来”重组 DNA，并且由此产生的 SNP 或 INDEL 与传统育种中的 SNP 或 INDEL 难以区分，这对制定新立法提出了挑战。如果基因组编辑和其他新型育种技术的产品不具有转基因，并且可以通过传统方法产生，我们认为，应用对传统育种和新型食品已经存在的同等立法监督是合乎逻辑和相称的。本综述分析了传统植物育种活动中可选择的自发和诱发遗传变异的类型和规模。它提供了一个基准，可以据此判断基因组编辑技术或其他反向遗传方法带来的遗传变化是否确实与使用传统植物育种方法经常发现的变化相当。
和遗传变异可以阻止对生物学的访问...
大型公司的战略：如本报告提供的专利申请概述所示，BASF，BASF，BAYER-MON-SANTO，SYNGENTA或KWS等公司似乎都可以系统地从事对法律环境的最大可能利用。他们筛选植物的基因组，以找到随机的突变和感兴趣的变体，然后声称它们是其发明。在2021年发表的一些专利申请涵盖了在大豆和玉米等谷物中鉴定出的数十个，数百甚至数千种遗传变异；或在蔬菜中，例如土豆，菠菜，生菜，黄瓜；或水果植物，例如西红柿和瓜。随后，无论育种方法如何，这些特定基因和基因变体的所有进一步用法都要求专利保护。
小麦产量及产量相关性状的遗传变异、遗传力和遗传进步分析
《制药创新杂志》 2022；SP-11(5): 1105-1109 ISSN (E): 2277-7695 ISSN (P): 2349-8242 NAAS 评级：5.23 TPI 2022； SP-11(5): 1105-1109 © 2022 TPI www.thepharmajournal.com 收稿日期: 23-02-2022 接受日期: 31-04-2022 Pooja Khinchi 遗传学与植物育种，印度北方邦瓦拉纳西贝拿勒斯印度大学农业科学研究所 HK Jaiswa 遗传学与植物育种，印度北方邦瓦拉纳西贝拿勒斯印度大学农业科学研究所 Aarti Sharma 遗传学与植物育种，印度北方邦瓦拉纳西贝拿勒斯印度大学农业科学研究所 通讯作者 Pooja Khinchi 遗传学与植物育种，印度北方邦瓦拉纳西贝拿勒斯印度大学农业科学研究所
与脑老化相关的遗传变异和致病生物标志物的研究
与脑衰老相关的遗传变异和因果生物标志物的研究 Jangho Kim、Junhyeong Lee 和 Seunggeun Lee 首尔国立大学数据科学研究生院，韩国 通讯作者：Seunggeun Lee 首尔国立大学数据科学研究生院，韩国首尔 lee7801@snu.ac.kr 摘要 年龄差异是脑衰老的生物标志物，可以捕捉实际年龄与脑部 MRI 预测年龄之间的差异。本研究通过分三步分析英国生物银行数据，探究了高年龄差异的可解释因果基础。脑区域的视觉显著性图显示，穹窿和丘脑下部体积较小是高年龄差异的关键预测因素。对单一变异和基因区域进行的遗传关联分析发现，与致癌作用、免疫反应和神经元存活相关的基因与高年龄差异有关。所有代谢组生物标志物和血液相关表型的孟德尔随机化 (MR) 表明，免疫相关表型对增加年龄增量具有因果影响。综合起来，这些观察结果揭示了大脑中易受衰老过程影响的区域，并提供了免疫反应与大脑衰老之间存在因果和遗传联系的证据。关键词：年龄增量、大脑衰老、因果关系、CNN、可解释的人工智能、GWAS、孟德尔随机化、免疫
已发表版本引文 (APA)：Awada, G., & Neyns, B. (2022)。BRAFV600 突变以外的遗传变异黑色素瘤：治疗和新药
最新发现对于 NRAS Q61 突变型黑色素瘤患者，下游 MEK 抑制已显示出一些尽管较低活性。早期试验中，MEK 抑制剂与新型 RAF 二聚体抑制剂（如贝伐非尼）或 CDK4/6 抑制剂联合使用对 NRAS 突变型黑色素瘤具有良好的活性。对于非 V600 BRAF 突变型黑色素瘤患者，尽管缺乏大规模前瞻性试验，但 MEK 抑制（联合或不联合 BRAF 抑制）似乎都是有效的。由于非 V600 BRAF 突变体以二聚体的形式发出信号，因此新型 RAF 二聚体抑制剂也在这种环境下接受研究。MEK 抑制正在 NF1 突变型黑色素瘤中进行研究。最后，对于 BRAF / NRAS / NF1 野生型黑色素瘤患者，伊马替尼或尼洛替尼可对 cKIT 突变型黑色素瘤有效。尽管临床前数据表明具有协同作用，但 MEK 抑制剂考比替尼与免疫检查点抑制剂阿特珠单抗的组合并不优于免疫检查点抑制剂派姆单抗。
自然遗传变异作为秀丽隐杆线虫的发现工具
过去 20 年中，对秀丽隐杆线虫自然多样性的研究已经证明了数量遗传方法在揭示形成性状的进化、生态和遗传因素方面的强大功能。这些研究补充了适合实验室使用的 N2 菌株，并使仅使用一种遗传背景无法实现的额外发现成为可能。在本章中，我们将描述如何对秀丽隐杆线虫进行数量遗传学研究，重点是秀丽隐杆线虫。这些方法利用遗传多样化个体种群中基因型和表型之间的相关性来发现表型变异的遗传原因。我们介绍了使用连锁、近等基因系、关联和批量分离作图的方法，并描述了每种方法的优缺点。秀丽隐杆线虫数量遗传图谱的强大功能最能体现在将表型差异与特定基因和变异联系起来的能力上。我们将介绍将基因组区域缩小到候选基因的方法，然后通过测试确定与数量性状有关的基因或变异。秀丽隐杆线虫成为卓越实验模型动物的相同特征也使其作为理解自然表型变异的工具具有非凡的价值。
基于 3,366 个基因组测序的鹰嘴豆遗传变异图
Rajeev K. Varshney 1,2 ✉ , Manish Roorkiwal 1 , Shuai Sun 3,4,5 , Prasad Bajaj 1 , Annapurna Chitikineni 1 , Mahendar Thudi 1,6 , Narendra P. Singh 7 , Xiao Du 3,4 , Hari D. Upadhyaya 8,9 , Aamir W. Khan 1 , Yue Wang 3,4 , Vanika Garg 1 , Guangyi Fan 3,4,10,11 , Wallace A. Cowling 12 , José Crossa 13 , Laurent Gentzbittel 14 , Kai Peter Voss-Fels 15 , Vinod Kumar Valluri 1 , Pallavi Sinha 1,16 , Vikas K. Singh 1,16 , Cécile Ben 14,17 , Abhishek Rathore 1 , Ramu Punna 18 , Muneendra K. Singh 1 , Bunyamin Tar'an 19，Chellapilla Bharadwaj 20，Mohammad Yasin 21，Motisagar S. Pithia 22，Servejeet Singh 23，Khela Ram Soren 7，Himabindu Kudapa 1，DiegoJarquín24，Philippe Cubry 25，Lee T. IT A. Deokar 19，Sushil K. Chaturvedi 28，Aleena Francis 29，RékaHoward30，Debasis Chattopadhyay 29，David Edwards 12，Eric Lyons 31，Yves Vigourox 25，Ben J. Hayes 15 、 Henry T. Nguyen 35 、 Jian Wang 11,36 、 Kadambot H. M. Siddique 12 、 Trilochan Mohapatra 37 、 Jeffrey L. Bennetzen 38 、 Xun Xu 10,39 和 Xin Liu 10,11,40,41 ✉