IF31.7｜机器学习提升1型糖尿病遗传风险预测

T1GRS模型结合全基因组关联与机器学习，显著提升T1D风险预测，并揭示遗传亚型。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

1型糖尿病（T1D）是一种自身免疫性疾病，遗传因素在其发病中起重要作用。MHC区域的HLA基因，尤其是DR3-DQ2和DR4-DQ8单倍型，是最大的风险因素。此外，全基因组关联研究已发现超过90个非MHC风险位点，如INS和PTPN22。然而，T1D的遗传度尚未完全解释，提示仍有未发现的位点。遗传风险评分（GRS）已被用于预测T1D，但现有评分通常基于加性模型，未充分考虑非线性交互作用，且计算过程复杂，限制了其临床应用。

科学问题

卡在哪里： 现有T1D GRS主要基于加性效应，忽略了基因间的非线性交互作用，尤其是在非MHC位点。此外，现有评分依赖于代理变异和HLA单倍型定相，计算不便，且对缺乏高风险HLA单倍型的个体预测能力有限。

本文要回答： 通过大规模遗传关联和精细定位发现新的T1D风险信号，并利用机器学习构建更准确的预测模型，同时揭示遗传异质性。

技术路线

作者主要用了：GWAS、精细定位、机器学习（CatBoost）、SHAP分析、聚类分析。

作者首先在81万欧洲血统个体中进行全基因组关联分析，并对97个风险位点进行精细定位，共识别出160个独立信号。随后，利用这些信号中的199个变异（包括MHC和非MHC位点）训练梯度提升模型T1GRS，并在多个独立队列中验证其预测性能。最后，基于SHAP特征重要性进行聚类，识别出四个具有不同临床特征的遗传亚型。

图 1　Fig. 1。图1展示了整体研究流程：从大规模GWAS和精细定位发现160个风险信号，到训练机器学习模型T1GRS，再到基于模型特征进行聚类识别遗传亚型。该图概括了从遗传发现到预测模型再到亚型分层的完整路径。

核心亮点

亮点 1｜新风险位点与精细定位

全基因组关联分析在817,718名欧洲血统个体中识别出8个新的T1D风险位点，包括ZMIZ1和CLNK等。精细定位在97个位点中鉴定出133个独立信号，其中超过一半的置信集包含15个或更少的变异，提高了因果变异的解析度。在MHC区域，通过条件分析识别出23个独立信号，并进一步在已知HLA风险等位基因条件下发现4个额外信号，包括非编码变异，如rs9276235和rs7763052。

图 2　Fig. 2。图2a显示全基因组关联分析的曼哈顿图，新位点以紫色标注，包括ZMIZ1和CLNK等。图2b总结了97个位点的信号数量，图2c显示置信集大小分布，多数置信集包含较少变异，表明精细定位分辨率较高。

亮点 2｜T1GRS模型显著提升预测性能

基于199个变异的CatBoost模型T1GRS在发现队列中AUC达到0.937，显著优于现有GRS2（AUC=0.916）。在独立队列NIH All of Us中，T1GRS的AUC为0.872，而GRS2为0.791，提升幅度更大。T1GRS在无高风险HLA-DR3/DR4单倍型的个体中表现尤为突出，AUC从0.764提升至0.786。此外，T1GRS在非洲裔美国人中的预测能力与专门为该人群设计的评分相当（AUC=0.845 vs 0.846）。

图 3　Fig. 3。图3a展示MHC区域的关联信号，23个独立信号以蓝色标注。图3b显示每个信号的置信集变异数量。图3c的位点图展示了条件分析后的信号，包括非编码信号rs9276235，表明MHC区域存在复杂的遗传结构。

亮点 3｜非线性交互作用揭示遗传复杂性

SHAP分析显示，T1GRS捕获了154对显著的变异交互作用（FDR<0.05），其中最强的交互发生在HLA-DQB1第57位氨基酸与HLA-DRB1第13位氨基酸之间（z=12.9），反映了DR3和DR4单倍型的已知交互。此外，INS位点与HLA-DQB1第57位氨基酸存在显著交互（z=9.6），表明胰岛素基因变异可能通过MHC II类复合物调节T1D风险。这些交互作用在个体水平上增加了预测的复杂性，T1GRS在复杂性高的个体中优势更明显。

图 4　Fig. 4。图4比较了T1GRS与GRS2的ROC曲线。在发现队列中，T1GRS-cov的AUC为0.937，显著高于GRS2。在独立队列All of Us中，T1GRS的AUC为0.872，而GRS2为0.791，提升明显。此外，T1GRS在无DR3/DR4单倍型的个体中表现更优。

亮点 4｜遗传亚型与临床特征关联

基于SHAP特征重要性聚类，识别出四个遗传亚型：MHC驱动型、MHC富集型、T细胞富集型和胰腺富集型。MHC相关亚型的发病年龄显著更早，而胰腺富集型尽管发病年龄最晚，但糖尿病并发症（肾病、神经病变、心血管疾病）的风险显著升高（1.29-1.46倍），且在All of Us队列中得到验证。这些亚型在MHC和非MHC变异的贡献上存在差异，提示不同的病理机制。

图 5　Fig. 5。图5a显示SHAP特征重要性排名，rs1064173（标记HLA-DQB1第57位氨基酸）最为重要。图5b的弦图展示了MHC-MHC、MHC-非MHC和非MHC-非MHC交互，其中INS与HLA-DQB1的交互以星号标注。图5c显示交互的z分数，图5d展示INS与HLA-DQB1的交互效应，图5e显示不同DR3/DR4组合下MHC和非MHC变异的贡献，图5f显示T1GRS在复杂性高的个体中优势更明显。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： GWAS、精细定位、机器学习（CatBoost）、SHAP分析、聚类分析
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事多基因风险评分、遗传流行病学和糖尿病遗传学研究的科研人员。

带走一句

机器学习模型能捕获加性模型忽略的基因交互作用，显著提升复杂疾病风险预测，尤其在非典型遗传背景下。