Machine learning and burden analyses highlight novel genes in Parkinson's Disease
Door XGBoost-gebaseerde machine learning-prioritering te integreren met analyses van de belasting van zeldzame varianten over grote cohorten, identificeert deze studie zes nieuwe potentiële risicogenen en een specifieke zinkvinger-domeinassociatie bij de ziekte van Parkinson, waarmee de effectiviteit wordt aangetoond van het combineren van multi-omics prioritering met hoogresolutie genetische testen om de beperkingen van traditionele GWAS te overwinnen.