Machine learning and burden analyses highlight novel genes in Parkinson's Disease
Durch die Integration von XGBoost-basierter maschineller Lernpriorisierung mit Analysen der Belastung durch seltene Varianten über große Kohorten hinweg identifiziert diese Studie sechs neue potenzielle Risikogene und eine spezifische Assoziation mit einer Zinkfinger-Domäne bei Parkinson, was die Wirksamkeit der Kombination von Multi-Omik-Priorisierung mit hochauflösender genetischer Testung demonstriert, um die Einschränkungen herkömmlicher GWAS zu überwinden.