《Psychological Medicine》:Comparing family history indicators and polygenic scores in depressive disorder
编辑推荐:
背景:抑郁障碍的遗传易感性可通过亲属的精神病理学特征(即家族史)来捕捉。多种方法将家族史汇总为单一评分,这些方法在包含的信息及其底层模型上各不相同。本研究系统比较了不同家族史指标的预测效能,包括基于阈值模型(liability threshold model)
背景:抑郁障碍的遗传易感性可通过亲属的精神病理学特征(即家族史)来捕捉。多种方法将家族史汇总为单一评分,这些方法在包含的信息及其底层模型上各不相同。本研究系统比较了不同家族史指标的预测效能,包括基于阈值模型(liability threshold model)的新兴指标,旨在预测抑郁障碍。
方法:研究人员在荷兰抑郁与焦虑研究(Netherlands Study of Depression and Anxiety, NESDA)的1339名参与者(病例组Ncase = 1086)中计算了选定的抑郁家族史指标(二分类变量、比例、新型遗传学方法——Pearson–Aitkens家族遗传风险评分[PAFGRS])。多基因评分(polygenic scores, PGS)基于最新的重性抑郁全基因组关联研究(GWAS)数据计算。研究人员评估了各遗传易感性指标之间的相关性,以及它们对终生抑郁障碍诊断的预测能力。
结果:各家族史指标之间的相关性较高(r = 0.71–0.99),而与PGS的相关性则低得多(r = 0.15)。从比例指标到PAFGRS,随着计算方法复杂度的增加,预测准确性呈现提升趋势。表现最佳的家族史指标与PGS在预测抑郁障碍方面相互独立。
结论:本研究表明,更精细的家族史指标(纳入家族规模、患病率、遗传度及遗传理论)优于简单方法。家族史与PGS在预测中具有互补性,表明未来研究中同时纳入两者具有额外价值。
论文解读:抑郁障碍中家族史指标与多基因评分的系统比较
一、研究背景与研究问题
抑郁障碍(depressive disorder)的个体易感性部分由遗传变异解释。近年来,多基因评分(polygenic scores, PGS)在捕获常见遗传变异方面备受关注,但其仅能解释复杂性状的一小部分方差,且在临床应用中仍面临诸多实践与伦理问题。相比之下,通过家族史(family history)评估遗传易感性早已成为医学风险评估的重要工具,尤其在精神疾病领域,家族史已被证实与诊断风险及临床严重程度相关。然而,家族史数据的潜力尚未被充分挖掘。现有家族史指标种类繁多,从简单的二分类(有无家族史)到复杂的连续型指标(如考虑亲属数量、年龄、患病率、遗传度等),其计算方法和纳入信息各异,导致研究间难以进行系统性比较。此外,一种基于阈值模型(liability threshold model)的新型灵活方法——Pearson–Aitkens家族遗传风险评分(PAFGRS)已在注册研究中展现出优于其他精细方法的预测性能,但尚未在临床队列中经过验证。因此,本研究旨在:(1)系统比较不同类型家族史指标(从简单到精细)对抑郁障碍的预测效能;(2)将最佳家族史指标与最新重性抑郁PGS进行对比,评估两者的独立预测价值及互补性。
二、主要技术方法
研究人员利用荷兰抑郁与焦虑研究(Netherlands Study of Depression and Anxiety, NESDA)队列,最终纳入1339名拥有完整家族史与基因型数据的欧洲裔参与者(其中1086例为抑郁障碍患者)。家族史数据通过家庭树访谈(Family Tree Inventory)收集,涵盖一级亲属(父母及兄弟姐妹)的抑郁与焦虑状况。研究者计算了六种家族史指标:二分类指标(FH+/?)、比例指标(Proportion)、家族易感性评分(Familial Liability Score, FLS)以及三种基于PAFGRS框架的指标(基础PAFGRS、加入性别/年龄校正的PAFGRS+Sex/Age、进一步加入焦虑共病信息的PAFGRS+Sex/Age/ANX)。PGS基于最新重性抑郁GWAS汇总统计量(排除23andMe及荷兰队列),采用PRS-CS贝叶斯方法构建。统计分析包括Pearson相关分析、逻辑回归模型(以AUC评估预测效能)以及似然比检验比较模型拟合度。
三、研究结果
1. 样本描述与家族史分布
病例组(1086人)与对照组(253人)在性别比例上存在差异(病例组女性占65.47%,对照组占54.15%),平均年龄约42岁。家族规模中位数为4名一级亲属。所有家族史指标在病例组中的均值均高于对照组,而PGS在两组间的差异相对较小。
2. 家族史指标与PGS之间的关系
各连续型家族史指标之间高度相关(Pearson r = 0.885–0.991),其中三种PAFGRS指标间相关性最高(r = 0.971–0.991)。二分类指标FH+/?与其他指标的相关性略低(r = 0.706–0.782)。相反,PGS与所有家族史指标的相关性均很低(r = 0.115–0.167),表明两者捕获了遗传易感性的不同维度。
3. 家族史指标与PGS对抑郁障碍的预测效能
所有遗传指标对抑郁障碍的预测均达到Bonferroni校正后的显著性水平(p < 0.00625)。总体预测精度中等,AUC范围为0.59至0.71。较精细的家族史指标(FLS: AUC = 0.68;PAFGRS系列: AUC = 0.68–0.70)的预测精度略高于简单指标(FH+/?: AUC = 0.62;Proportion: AUC = 0.65),但置信区间存在重叠。PGS单独预测的AUC最低(0.59)。将最佳家族史指标(PAFGRS+Sex/Age/ANX)与PGS联合建模后,AUC提升至0.71,且似然比检验显示联合模型的拟合度显著优于任一单变量模型,提示两者具有互补性。按五分位数分析显示,位于最高遗传风险分位的人群患抑郁障碍的优势比(OR)显著升高,尤其PAFGRS指标在第五分位的OR值高达约11.0(95%CI宽泛)。
四、讨论与结论
讨论要点: 本研究证实,精细家族史指标(尤其是基于阈值模型的PAFGRS)在预测抑郁障碍方面优于简单指标,尽管差异未达统计学显著,这可能受限于样本量及仅纳入一级亲属的数据结构。PAFGRS方法在理论上可灵活扩展(如处理缺失数据、考虑年龄风险和共病信息),具有跨数据集的可迁移性优势。家族史与PGS的低相关性及联合建模后的预测增益,表明两者分别捕获了遗传易感性的不同成分:PGS主要反映常见遗传变异的累积效应(受SNP遗传度限制),而家族史还能纳入罕见变异、基因-基因互作、间接遗传效应乃至共享环境因素。研究还指出,对于抑郁障碍这类常见疾病,家族史指标的预测效能通常优于PGS,这与模拟研究的结论一致。
研究结论: 精细的家族史指标更适合用于预测抑郁障碍。本研究将既往发现拓展至新的数据类型——即反映真实临床场景的临床队列自我报告数据。此外,研究显示家族史与基因型评分在预测终生抑郁风险方面具有互补性,这为研究与临床实践提供了重要启示:未来应同时纳入两类指标以优化风险预测。