关键词:
双相情感障碍
转躁
昼夜节律通路基因
机器学习
预测模型
摘要:
背景:双相情感障碍(bipolar disorder,BD)首发抑郁相易误诊为抑郁症(major depressive disorder,MDD),从而耽误治疗,影响预后,因此对这类患者的早期发现十分重要。昼夜节律紊乱与转躁密切相关,但尚未发现昼夜节律通路基因的基因多态性与转躁的关系,更未有人整合多维度数据进行转躁预测。本研究目的旨在结合临床特征和昼夜节律通路相关基因遗传多态性发现影响MDD转躁的危险因素,并通过机器学习(machine learning,ML)建立转躁预测模型。方法:本研究纳入70名通过随访未转躁的MDD患者(简称MDD组)和68名转躁后诊断为BD患者(简称BD组),选取昼夜节律通路基因标签单核苷酸多态性(single nucleotide polymorphisms,SNPs)进行基因检测,使用SPSS软件对两组患者临床特征进行分析,采用UNPHASED 3.1.7软件包分析每个SNP的基因型频率、等位基因频率和单倍型与转躁的关联性,用Mplus8.0软件包分析昼夜节律通路基因的SNPs在HAMD-17中睡眠三项总得分与转躁之间是否存在中介效应。运用R 3.6.3进行特征筛选以及转躁预测模型的建立,并使用接受者操作特性曲线(receiver operating characteristic curve,简称ROC曲线)、校准图(calibration)、净重分类改善度(net reclassification improvement,NRI),决策曲线分析(decision curve analysis,DCA)进行模型评价。结果:本研究通过logistics回归分析发现发病年龄是转躁的危险因素;遗传多态性方面,通过基因型频率分析发现两组患者中的PER1rs2253820、PER1rs2735611、PER3rs12566042、PER3rs17031614、PER3rs79372391基因型频率存在明显差异,两组患者等位基因频率和单倍型分析未见明显差异;中介分析未发现昼夜节律通路基因的SNPs在HAMD-17量表中睡眠三项总得分与转躁之间存在中介效应。在特征选择中发现不仅首次发病年龄,而且住院次数和自杀企图也与转躁密切相关,同时特征选择结果显示多个昼夜节律通路基因的SNPs与转躁密切相关。本研究利用上述特征建立3种预测模型,使用4种评价方法评价模型,发现临床特征加SNPs的模型预测能力更好,表明联合临床特征和遗传因素建立的模型能更好的进行转躁预测。总结:通过本文的研究,发现了影响转躁的危险因素,并建立了转躁预测模型,对临床诊断具有一定的指导意义。