
-
生物通官微
陪你抓住生命科技
跳动的脉搏
将饮食信息纳入多基因预测模型,以应用于体重指数和2型糖尿病的预测
《Genes & Nutrition》:Incorporating dietary information to enhance polygenic prediction models with applications to body mass index and type 2 diabetes
【字体: 大 中 小 】 时间:2026年06月20日 来源:Genes & Nutrition 3.3
编辑推荐:
摘要背景多基因预测因子可提升对体重指数(BMI)和2型糖尿病(T2D)等代谢相关特征的筛查效率。然而,这些预测因子所能解释的表型变异有限,且在非欧洲人群中应用时存在诸多挑战。饮食模式虽是已知的代谢风险因素,但在定量风险分层模型中却鲜有研究。方法我们以多民族队列中的14,346名夏
多基因预测因子可提升对体重指数(BMI)和2型糖尿病(T2D)等代谢相关特征的筛查效率。然而,这些预测因子所能解释的表型变异有限,且在非欧洲人群中应用时存在诸多挑战。饮食模式虽是已知的代谢风险因素,但在定量风险分层模型中却鲜有研究。
我们以多民族队列中的14,346名夏威夷原住民为研究对象,开发并评估了结合多基因预测因子与数据驱动型饮食评分(DDS)的风险分层模型,用于预测BMI和T2D。其中5,374名参与者提供了遗传数据,我们利用这些数据以及公开的大规模全基因组关联研究汇总统计结果,通过PRS-CSx方法构建了跨种族多基因评分模型。同时,我们基于520个饮食变量运用机器学习算法开发了DDS,并在独立测试集中评估了模型的性能。
跨种族多基因评分在预测两种表型时的准确性均高于单种族模型(BMI的偏R2[标准误]为0.12[0.04],而单种族模型为0.03–0.09;T2D的责任R2[标准误]为0.09[0.04],单种族模型为0.01–0.07)。表现最佳的DDS基于随机森林模型,能够较好地解释BMI的变异情况(偏R2[标准误]为0.12[0.01]),其预测效果与基因预测相当。将多基因评分和DDS相结合的模型在预测BMI方面的表现显著优于单一预测因子模型(调整后R2为0.29,而单一模型为0.21,P值小于10?11?)。对于T2D,组合模型虽提升效果较为有限,但仍优于仅使用多基因评分的情况。此外,BMI饮食评分还与多种慢性疾病相关,其作用部分通过炎症和脂质途径实现。
跨种族多基因评分与数据驱动型饮食评分可为代谢特征预测提供互补信息。将基因信息与饮食信息结合的模型显著优于单一预测因子模型,其中在BMI预测方面的提升最为明显。在夏威夷原住民群体中,系统整合饮食信息大幅提升了BMI预测的准确性,这体现了将可改变的环境因素与基因信息结合的重要价值。
多基因预测因子可提升对体重指数(BMI)和2型糖尿病(T2D)等代谢相关特征的筛查效率。然而,这些预测因子所能解释的表型变异有限,且在非欧洲人群中应用时存在诸多挑战。饮食模式虽是已知的代谢风险因素,但在定量风险分层模型中却鲜有研究。
我们以多民族队列中的14,346名夏威夷原住民为研究对象,开发并评估了结合多基因预测因子与数据驱动型饮食评分(DDS)的风险分层模型,用于预测BMI和T2D。其中5,374名参与者提供了遗传数据,我们利用这些数据以及公开的大规模全基因组关联研究汇总统计结果,通过PRS-CSx方法构建了跨种族多基因评分模型。同时,我们基于520个饮食变量运用机器学习算法开发了DDS,并在独立测试集中评估了模型的性能。
跨种族多基因评分在预测两种表型时的准确性均高于单种族模型(BMI的偏R2[标准误]为0.12[0.04],而单种族模型为0.03–0.09;T2D的责任R2[标准误]为0.09[0.04],单种族模型为0.01–0.07)。表现最佳的DDS基于随机森林模型,能够较好地解释BMI的变异情况(偏R2[标准误]为0.12[0.01]),其预测效果与基因预测相当。将多基因评分和DDS相结合的模型在预测BMI方面的表现显著优于单一预测因子模型(调整后R2为0.29,而单一模型为0.21,P值小于10?11?)。对于T2D,组合模型虽提升效果较为有限,但仍优于仅使用多基因评分的情况。此外,BMI饮食评分还与多种慢性疾病相关,其作用部分通过炎症和脂质途径实现。
跨种族多基因评分与数据驱动型饮食评分可为代谢特征预测提供互补信息。将基因信息与饮食信息结合的模型显著优于单一预测因子模型,其中在BMI预测方面的提升最为明显。在夏威夷原住民群体中,系统整合饮食信息大幅提升了BMI预测的准确性,这体现了将可改变的环境因素与基因信息结合的重要价值。