Dynamicasome：分子動力学とAIを活用した全遺伝子変異の病原性予測カタログ
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19766v1発表種別：クロス
要旨：ゲノム医療の進歩により、疾患関連遺伝子の変異同定が加速しているが、多くの変異の病原性は不明なままであり、診断や臨床意思決定における利用を妨げている。この問題に対処するため、予測AIモデルが開発されているが、機能的に検証されたデータセットでテストされた場合、現在のツールは低い精度を示す。本研究では、分子動力学シミュレーション（MDS）から抽出した詳細な立体構造データを高度なAIベースモデルに統合することで、その予測能力を高めることを示す。疾患遺伝子PMM2に関する網羅的な変異解析を行い、各バリアントの構造モデルをMDSに供した。このデータセットで訓練されたAIモデルは、既知の変異の病原性を予測する際に、既存のツールを凌駕する。最高性能のモデルであるニューラルネットワークモデルは、現在病原性が不明とされているいくつかのPMM2変異の病原性も予測する。本モデルは、ゲノム医療における不明な変異の負担軽減に役立つと考える。
原文（英語）を表示
Title (EN): Dynamicasome: a molecular dynamics-guided and AI-driven pathogenicity prediction catalogue for all genetic mutations
arXiv:2509.19766v1 Announce Type: cross
Abstract: Advances in genomic medicine accelerate the identi cation of mutations in disease-associated genes, but the pathogenicity of many mutations remains unknown, hindering their use in diagnostics and clinical decision-making. Predictive AI models are generated to combat this issue, but current tools display low accuracy when tested against functionally validated datasets. We show that integrating detailed conformational data extracted from molecular dynamics simulations (MDS) into advanced AI-based models increases their predictive power. We carry out an exhaustive mutational analysis of the disease gene PMM2 and subject structural models of each variant to MDS. AI models trained on this dataset outperform existing tools when predicting the known pathogenicity of mutations. Our best performing model, a neuronal networks model, also predicts the pathogenicity of several PMM2 mutations currently considered of unknown signi cance. We believe this model helps alleviate the burden of unknown variants in genomic medicine.
Published: 2025-09-24 19:00 UTC