多基因风险评分与机器学习建模策略下轻度认知障碍发展为阿尔茨海默病的预后研究

作者：王荣; 陈帅; 赵彩丽; 李梓盟; 崔靖; 王晓聪; 赵春妮^*; 刘龙^*

来源：中华疾病控制杂志, 2023, 27(06): 684-690.

DOI：10.16462/j.cnki.zhjbkz.2023.06.012

• 轻度认知障碍
• 阿尔茨海默病
• 多基因风险评分
• 机器学习
• 预后预测

目的 本研究从全基因组和候选基因组的角度探究多基因风险评分(polygenic risk score, PRS)与机器学习对轻度认知障碍(mild cognitive impairment, MCI)发展为阿尔茨海默病(alzheimer′s disease, AD)的预后预测性能，为MCI发展为AD的第5年预后预测建模提供更有力的方法理论依据。方法 借助聚类与阈值(clumping and thresholding, C+T)、多基因风险评分-连续收缩(polygenic risk scores-continuous shrinkage, PRS-CS)、随机生存森林(random survival forest, RSF)、生存支持向量机(survival support vector machine, SSVM)4种常用统计方法对MCI发展为AD的第5年生存情况进行预测建模。利用C+T与PRS-CS得到的AD遗传风险得分作为独立的预测因子纳入Cox比例风险回归模型，RSF与SSVM则从候选基因组角度直接纳入所有与AD有关的单核苷酸多态性(single nucleotide polymorphism, SNPs)进行统计建模。最后，采用C指数作为模型预测效果的评价指标。结果 无论是C+T还是PRS-CS方法，在全基因组和候选基因组两种情况下的C指数差值均<0.01,而两种方法的C指数差值最大为0.04,二者差异均无统计学意义；机器学习的方法明显好于PRS方法，RSF和SSVM的C指数均能达到0.76,较C+T、PRS-CS高0.07、0.11,差异有统计学意义(均P<0.05)。结论 机器学习方法表现优异，为MCI发展为AD的预后预测提供了更为可行的统计建模方案。

• 单位
  山西医科大学; 公共卫生学院