Punteggi Poligenici: Navigare tra le Previsioni Genetiche nella Salute
La ricerca mette in evidenza gli effetti dell'ambiente sui punteggi poligenici per tratti come l'IMC.
― 7 leggere min
Indice
- Il Problema della Trasferibilità dei Punteggi Poligenici
- Il Ruolo dell'Ambiente e dei Fattori Individuali
- Necessità di Ulteriori Ricerche sugli Effetti Ambientali
- L'Utilizzo del Machine Learning nei PGS
- Studiare il BMI per Analizzare le Prestazioni dei PGS
- Metodologia e Dati Utilizzati
- Risultati Chiave sui Covariati che Influenzano le Prestazioni dei PGS
- Risultati tra Diverse Coorti
- Effetti di Interazione dei Covariati
- La Relazione tra Effetti Principali e Effetti di Interazione
- Il Ruolo dell'Età nelle Prestazioni del PGS
- Modelli di Machine Learning per Previsioni Migliorate
- Calcolo Diretto del PGS dagli Effetti di Interazione
- Implicazioni per Future Ricerche
- Conclusione e Direzioni Future
- Fonte originale
- Link di riferimento
I Punteggi Poligenici (PGS) sono strumenti che usano informazioni genetiche per prevedere certi tratti o rischi per la salute nelle persone. Questi punteggi si creano guardando a tanti geni diversi e come si collegano a tratti specifici. Per esempio, un PGS può indicare la probabilità che una persona sia in sovrappeso in base al suo patrimonio genetico. Gli scienziati hanno costruito questi punteggi usando grandi studi che analizzano i Dati Genetici di molte persone e li collegano ai loro tratti.
Il Problema della Trasferibilità dei Punteggi Poligenici
Nonostante i progressi nei PGS, i ricercatori hanno scoperto che questi punteggi non funzionano in modo uguale tra diversi gruppi di persone. Ad esempio, un PGS che prevede l'obesità in un gruppo potrebbe non avere lo stesso effetto in un altro. Questo problema è principalmente dovuto a differenze nell’ascendenza o nel background genetico, dato che diverse popolazioni possono avere variazioni genetiche diverse che influenzano i tratti studiati.
Il Ruolo dell'Ambiente e dei Fattori Individuali
Studi recenti suggeriscono che oltre all'ascendenza, anche Fattori Ambientali e caratteristiche personali contribuiscono alle differenze nell'efficacia dei PGS. Quando consideriamo fattori come età, sesso, dieta e attività fisica, vediamo che questi possono cambiare quanto bene un PGS prevede un tratto. Ad esempio, alcuni tratti legati al peso corporeo, come l'Indice di Massa Corporea (BMI), sono fortemente influenzati da questi fattori. Questo significa che lo stesso punteggio genetico potrebbe prevedere il peso in modo diverso negli adulti più anziani rispetto a quelli più giovani, o in persone con livelli diversi di attività fisica.
Necessità di Ulteriori Ricerche sugli Effetti Ambientali
C’è ancora tanto da imparare su come i diversi fattori influenzano i PGS. Molti studi finora hanno considerato solo alcuni fattori ambientali, ma ce ne sono tanti altri che potrebbero essere esplorati. Capire perché alcuni tratti siano più influenzati da questi fattori potrebbe aiutare gli scienziati a sviluppare PGS migliori e più precisi. Inoltre, la maggior parte delle ricerche attuali è stata condotta su individui di ascendenza europea, lasciando un vuoto di conoscenza per altre popolazioni.
L'Utilizzo del Machine Learning nei PGS
Un modo per migliorare l'efficacia dei PGS potrebbe essere attraverso il machine learning. Questi metodi statistici avanzati possono catturare relazioni complesse tra genetica e diversi tratti. A differenza dei modelli tradizionali, che possono guardare solo a singole relazioni, il machine learning può identificare schemi e interazioni tra molte variabili contemporaneamente. Questo potrebbe portare a previsioni migliori di tratti come il BMI considerando insieme molti fattori ambientali.
Studiare il BMI per Analizzare le Prestazioni dei PGS
In ricerche recenti, gli scienziati hanno cercato di capire come i fattori ambientali e le caratteristiche personali influenzano le prestazioni dei PGS per il BMI. Hanno utilizzato dati genetici e Cartelle cliniche da grandi gruppi di persone con diverse ascendenze. Si sono concentrati su come diversi fattori potrebbero cambiare l'efficacia del PGS per il BMI.
Metodologia e Dati Utilizzati
I ricercatori hanno analizzato quattro grandi set di dati provenienti da diversi studi sulla salute e genetica. Questi set includevano partecipanti di due ascendenze: europea e africana. Hanno considerato vari fattori legati alla salute e all'obesità, come età, dieta e attività fisica. I ricercatori hanno calcolato i PGS per il BMI utilizzando dati genetici da una vasta gamma di persone, assicurando una rappresentazione diversificata per migliorare l'accuratezza.
Risultati Chiave sui Covariati che Influenzano le Prestazioni dei PGS
Lo studio ha identificato diversi fattori ambientali importanti che hanno influito significativamente sull'accuratezza del PGS per il BMI. Età, sesso, consumo di alcol, livelli di attività fisica e misurazioni legate alla salute del sangue sono stati essenziali nel determinare quanto bene il PGS prevedesse il BMI. In alcuni casi, le prestazioni del PGS sono migliorate notevolmente considerando questi fattori, sottolineando la loro importanza.
Osservazione delle Variazioni in Base all'Attività Fisica
Ad esempio, le persone con una bassa attività fisica avevano punteggi PGS più alti che indicavano il rischio di obesità, mentre quelle con livelli di attività più elevati avevano punteggi più bassi. Questo suggerisce che quanto è attivo un individuo può cambiare drasticamente come interpretiamo il suo rischio genetico di obesità.
L'Impatto del Consumo di Alcol
Anche il consumo di alcol ha giocato un ruolo; un consumo più elevato era collegato a cambiamenti nel modo in cui il PGS prevedeva il BMI. Curiosamente, lo studio ha trovato che certe relazioni, come quella tra fumo e BMI, erano meno chiare, mostrando che non tutti i fattori interagiscono con i punteggi genetici allo stesso modo.
Risultati tra Diverse Coorti
Sono state condotte analisi ulteriori tra diversi gruppi di persone, e i ricercatori hanno trovato che molti dei medesimi fattori ambientali influenzavano costantemente le prestazioni del PGS. Ad esempio, gli effetti dell'età e dell'attività fisica sono stati visti in modo simile sia negli individui di ascendenza europea che africana, suggerendo che questi fattori siano globalmente rilevanti nella previsione del BMI.
Effetti di Interazione dei Covariati
I ricercatori hanno anche esplorato come il PGS interagisce con questi fattori ambientali e personali. Hanno scoperto che alcuni fattori potrebbero amplificare o ridurre significativamente il rischio genetico come indicato dal PGS. Ad esempio, il consumo di alcol ha avuto un impatto notevole, riducendo significativamente l'effetto del PGS sul BMI.
La Relazione tra Effetti Principali e Effetti di Interazione
Esaminando la relazione tra questi fattori influenzanti, i ricercatori hanno trovato forti correlazioni. Questo significa che man mano che alcuni fattori cambiano, influenzano anche quanto il PGS prevede il BMI. Ad esempio, le persone con livelli più elevati di tratti legati al BMI mostravano spesso un effetto PGS più forte e una maggiore risposta alle influenze ambientali.
Il Ruolo dell'Età nelle Prestazioni del PGS
Lo studio ha rivelato intuizioni specifiche riguardo all'età. Gli individui più giovani tendevano a mostrare associazioni più forti tra il loro PGS e il BMI, indicando che le influenze genetiche potrebbero essere più pronunciate quando gli individui sono più giovani rispetto a quando sono più anziani. Questo potrebbe dipendere da come l'accumulo di fattori legati allo stile di vita nel tempo possa attenuare l'impatto della genetica sul BMI.
Modelli di Machine Learning per Previsioni Migliorate
Per affrontare le carenze nei metodi statistici tradizionali, i ricercatori si sono rivolti ai modelli di machine learning. Incorporando interazioni complesse e relazioni non lineari tra fattori genetici e ambientali, questi modelli hanno mostrato miglioramenti nelle prestazioni previsionali rispetto ai semplici modelli lineari.
Maggiore Accuratezza con Reti Neurali
Le reti neurali utilizzate nello studio hanno superato significativamente i modelli standard nella previsione del BMI. Questo approccio ha permesso una migliore comprensione delle relazioni tra PGS e vari covariati, portando a previsioni migliorate che tengono conto delle complessità della salute umana.
Calcolo Diretto del PGS dagli Effetti di Interazione
Il team di ricerca ha sviluppato un nuovo metodo per creare PGS che incorpora direttamente gli effetti delle interazioni. Invece di fare affidamento su metodi tradizionali che potrebbero perdere informazioni importanti, questa tecnica ha permesso una stima più accurata del rischio genetico includendo le interazioni nel modello PGS.
Implicazioni per Future Ricerche
I risultati di questa ricerca hanno implicazioni significative su come i PGS possono essere utilizzati sia nella ricerca che nelle impostazioni sanitarie. Comprendere che le prestazioni dei PGS possono variare in base a fattori ambientali e personali apre nuove strade per la ricerca su strumenti predittivi migliori.
Conclusione e Direzioni Future
In sintesi, questa ricerca conferma che i PGS per tratti come il BMI sono influenzati da una combinazione di fattori genetici, ambientali e personali. L'uso del machine learning e dei metodi di calcolo innovativi mostra promettente nel migliorare l'accuratezza di queste previsioni.
Studi futuri dovrebbero concentrarsi sull'espansione dei tipi di tratti studiati, incorporando popolazioni più ampie e continuando a perfezionare i metodi PGS per migliorare la valutazione del rischio individuale e la gestione della salute. Concentrandosi sulle influenze specifiche al contesto, i ricercatori possono sviluppare PGS più equi e accurati che servano meglio le popolazioni diverse.
Esplorare le interazioni tra genetica e vari fattori della vita aiuterà ad approfondire la nostra comprensione delle condizioni di salute e abilitare strategie di prevenzione e trattamento migliori in futuro.
Titolo: Risk factors affecting polygenic score performance across diverse cohorts
Estratto: Apart from ancestry, personal or environmental covariates may contribute to differences in polygenic score (PGS) performance. We analyzed effects of covariate stratification and interaction on body mass index (BMI) PGS (PGSBMI) across four cohorts of European (N=491,111) and African (N=21,612) ancestry. Stratifying on binary covariates and quintiles for continuous covariates, 18/62 covariates had significant and replicable R2 differences among strata. Covariates with the largest differences included age, sex, blood lipids, physical activity, and alcohol consumption, with R2 being nearly double between best and worst performing quintiles for certain covariates. 28 covariates had significant PGSBMI-covariate interaction effects, modifying PGSBMI effects by nearly 20% per standard deviation change. We observed overlap between covariates that had significant R2 differences among strata and interaction effects - across all covariates, their main effects on BMI were correlated with their maximum R2 differences and interaction effects (0.56 and 0.58, respectively), suggesting high-PGSBMI individuals have highest R2 and increase in PGS effect. Using quantile regression, we show the effect of PGSBMI increases as BMI itself increases, and that these differences in effects are directly related to differences in R2 when stratifying by different covariates. Given significant and replicable evidence for context-specific PGSBMI performance and effects, we investigated ways to increase model performance taking into account non-linear effects. Machine learning models (neural networks) increased relative model R2 (mean 23%) across datasets. Finally, creating PGSBMI directly from GxAge GWAS effects increased relative R2 by 7.8%. These results demonstrate that certain covariates, especially those most associated with BMI, significantly affect both PGSBMI performance and effects across diverse cohorts and ancestries, and we provide avenues to improve model performance that consider these effects.
Autori: Marylyn D Ritchie, D. Hui, S. Dudek, K. Kiryluk, T. L. Walunas, I. J. Kullo, W.-Q. Wei, H. Tiwari, J. F. Peterson, W. K. Chung, B. H. Davis, A. Khan, L. C. Kottyan, N. A. Limdi, Q. Feng, M. J. Puckelwartz, C. Weng, J. L. Smith, E. W. Karlson, G. Jarvik
Ultimo aggiornamento: 2024-04-10 00:00:00
Lingua: English
URL di origine: https://www.medrxiv.org/content/10.1101/2023.05.10.23289777
Fonte PDF: https://www.medrxiv.org/content/10.1101/2023.05.10.23289777.full.pdf
Licenza: https://creativecommons.org/licenses/by/4.0/
Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.
Si ringrazia medrxiv per l'utilizzo della sua interoperabilità ad accesso aperto.