基于metaPRS与APOEε4优化轻度认知障碍遗传风险统计建模策略的应用研究

背景 轻度认知障碍(MCI)是干预和延缓痴呆进展的重要阶段,既往研究发现MCI与遗传因素存在紧密关联,且载脂蛋白E(APOE)ε4是医学界公认的MCI重要风险等位基因.由于缺少MCI的全基因组关联研究(GWAS)汇总数据,当前普遍以阿尔茨海默病(AD)的GWAS汇总数据作为Base数据集来计算MCI的多基因风险评分(PRS),致使MCI的PRS遗传风险预测效果并不理想.目的 本研究以多基因遗传风险综合评分(metaPRS)与APOEε4作为重要预测因子,从广义线性模型与机器学习角度,探索并优化MCI的遗传风险统计建模策略.方法 计算MCI的12个亚表型PRS,并利用弹性网状Logistic回归模型将其整合为MCI的metaPRS.利用年龄矫正的APOEε4效应量计算APOEε4加权总和(SCOREAPOE).以metaPRS、SCOREAPOE及基本人口学信息(年龄、性别、受教育程度)构建不同的预测因子纳入策略,以XGBoost、GBM、Logistic回归及Lasso回归作为统计建模方法,采用AUC及F-measure评价MCI遗传风险统计建模的预测效果.结果 metaPRS与SCOREAPOE对于MCI的遗传风险有较高的预测价值,纳入metaPRS、SCOREAPOE及基本人口学信息(年龄、性别、受教育程度)后,各个统计建模方法的预测效果为:XGBoost(AUC=0.69,F-measure=0.88),GBM(AUC=0.76,F-measure=0.87),Logistic回归(AUC=0.77,F-measure=0.89),Lasso回归(AUC=0.76,F-measure=0.92).结论 在样本量为325(<500)的情况下,以metaPRS、SCOREAPOE与基本人口学信息为预测因子,以Lasso回归为统计建模方法的MCI遗传风险预测效果最好.本研究为MCI等复杂疾病的遗传风险统计建模提供了新的思路与视角.