应用遗传风险评分来改进系统性红斑狼疮中新发狼疮肾炎的风险评估：一项大规模前瞻性队列研究

《MedComm》：Applying Genetic Risk Score to Improve Risk Assessment of New-Onset Lupus Nephritis in Systemic Lupus Erythematosus: A Large-Scale Prospective Cohort Study

LN预测模型开发与验证：基于临床和遗传风险因素的多中心研究

　　系统性红斑狼疮（SLE）是一种复杂的自身免疫性疾病，其临床表现多样且病情活动性波动显著。这种疾病可以影响几乎所有的器官系统，包括皮肤、肾脏、神经系统、血液系统以及免疫系统。其中，狼疮性肾炎（LN）是SLE最常见且最具威胁性的并发症之一，大约40%的SLE患者在疾病过程中会出现LN。LN与较高的死亡率相关，并且是该人群的主要死亡原因之一。然而，LN的发生具有高度的异质性，有些患者在SLE初诊时就出现肾炎，而另一些患者则可能在数月甚至数年后才发展为肾损伤，且常常在缺乏早期症状或实验室异常的情况下发生。这种不可预测的病程使得早期诊断和及时干预变得困难。

近年来，对LN的发病机制和治疗策略有了显著进展。从机制上看，LN的发生主要与免疫复合物的形成和沉积、促炎性细胞因子水平升高、补体通路激活以及免疫细胞持续激活有关。这些免疫异常往往在临床诊断LN之前就已经存在，表明LN可能有一个潜伏期。因此，早期发现和干预可能改变疾病的发展轨迹。基于其免疫发病机制，LN通常采用糖皮质激素、羟氯喹以及免疫抑制剂进行治疗。已有研究证实，早期诊断和及时开始免疫抑制治疗可以防止SLE患者出现不可逆的损伤，并可能延缓LN发展为慢性肾病的进程。因此，识别与LN发生相关的因素成为重要的研究方向。

然而，在临床实践中，预测哪些SLE患者会进展为LN仍然面临挑战。目前，各种免疫相关分子和肾功能参数被用于LN的预测。例如，男性、SLE发病年龄较轻、SLE诊断时的血清学活动性以及阳性抗补体1q抗体均与LN风险显著相关。在一项最近的研究中，研究者使用了SLE发病时未出现肾损伤的570名患者的数据，发现男性、年龄小于26岁、高滴度抗双链DNA（anti-dsDNA）抗体以及低补体水平可预测LN的发生。尽管这些研究提供了有价值的见解，但在临床实践中仍缺乏能够整合这些因素并有助于LN发展监测的工具。更重要的是，大多数现有的工具更关注LN的预后，而非早期风险评估和发病预测。因此，缺乏一个准确的预测模型限制了基于风险的监测和个性化治疗方案的制定，也引发了广泛的研究兴趣。

已有研究表明，遗传易感性、环境风险因素以及固有和适应性免疫系统的紊乱在SLE的发病机制中起着关键作用。目前已发现超过100个与SLE风险相关的单核苷酸多态性（SNPs）。在LN的具体病例中，一些与免疫反应和炎症相关的易感基因已被强调，例如IRF5、TNIP1、STAT4、TNFSF4、APOL1和PDGFRA等。由于SLE是一种复杂的疾病，单个遗传变异通常被认为具有较小的影响。因此，遗传风险评分（GRS）作为一种将多个变异的累积贡献整合起来的工具，显示出在预测疾病发展和实现预后分层方面的潜力。在SLE患者中，已有关于遗传风险累积与疾病表现之间关系的研究报道。与血清学标志物可能随疾病活动性波动不同，遗传变异提供了关于疾病风险的稳定、终身信息。因此，它成为一种有吸引力的风险分层工具，能够在无症状阶段提供关于疾病倾向的信息。

尽管取得了这些进展，仍很少有研究评估了结合遗传和临床信息预测SLE患者中未出现LN的新的LN发生的实用性。此外，GRS在精确预测新发LN中的附加价值尚未完全阐明。一个全面的风险分层模型，整合临床风险因素和遗传易感性，可以实现更精确的个体化管理，指导监测强度并影响治疗决策。因此，本研究的目标是在一个大型、多中心、前瞻性SLE队列中开发、验证和优化一个用于新发LN的风险分层工具。通过将临床参数与GRS结合，我们旨在提高风险判别能力，并提供一个实用的工具，以早期识别LN高风险患者，从而为疾病管理提供更个性化的有效手段。

在本研究中，我们连续纳入了2725名SLE患者，这些患者在2010年1月至2022年6月期间被诊断为SLE且无基线肾损伤或其他肾病。在排除了103名临床数据不完整（占3.8%）和181名失访患者（占6.6%）后，我们评估了2441名患者作为发现队列。其中，93.7%（2287/2441）为女性，平均诊断年龄为34.9 ± 11.4岁，平均疾病持续时间为1.8 ± 1.2年。值得注意的是，1262名（51.7%）患者在诊断时表现出阳性anti-dsDNA抗体，而1130名（46.3%）表现出低补体水平。所有患者接受了平均3.7年的随访，最长随访时间为11.4年，共计进行了11,349次随访。此外，我们独立纳入了451名来自研究中一个中心（北京协和医院）的患者，以验证临床风险因素的预测价值，并评估遗传风险与新发LN之间的关联。

在发现队列和验证队列中，患者均来自相同的地理背景，且在大多数临床和实验室特征上没有显著差异。我们发现，五个传统临床风险因素（年龄小于30岁、缺乏关节炎、存在浆膜炎、低补体水平以及阳性anti-dsDNA抗体）在发现队列中显示出显著的关联性。这些因素在验证队列中同样具有预测价值。根据这些因素，我们将患者分为高风险和低风险组。在发现队列中，537名（22.0%）患者被归类为临床高风险组，其中85名（18.1%）在随访3年内发展为LN。而在临床低风险组中，3年内的LN累积发生率为4.6%。在验证队列中，102名（22.6%）患者被归为临床高风险组，3年内的LN发生率为24.2%，而349名（77.4%）临床低风险患者中仅有4.9%发展为LN。

为了进一步探讨GRS与LN风险之间的关系，我们对451名患者进行了基因分型。通过分析与SLE相关的112个SNP，我们构建了一个加权GRS，并将其作为连续变量进行回归分析。将GRS分为极端四分位数以进行风险分层分析。具体而言，113名患者位于高GRS四分位数，225名位于中等GRS四分位数，113名位于低GRS四分位数。GRS的中位数（四分位数范围）为7.8（7.5, 8.1）。图S3展示了连续GRS评分的分布密度，其中LN患者的平均GRS为8.42 ± 0.40，而无LN的患者平均GRS为7.89 ± 0.41（p < 0.001）。LN患者的平均风险等位基因数量为61.30 ± 4.53，而无LN的患者为55.35 ± 4.71（p < 0.001）。

为了进一步阐明GRS与LN风险之间的关系，我们进行了皮尔逊相关分析和多变量Cox回归模型。相关分析表明，随着GRS值的升高，新发LN的发病率显著增加（p = 1.06 × 10^-4）。多变量Cox回归分析确认了GRS与LN风险之间的正相关关系（HR = 3.98，95% CI，2.12–7.44，p = 1.61 × 10^-5），在调整了发病年龄、性别和疾病持续时间后，GRS显示出独立的预测价值。此外，在临床低风险组中，位于高GRS四分位数的患者LN发生率显著高于低GRS四分位数的患者（15.5% vs. 1.4%）。这些结果突显了GRS在SLE个性化管理中的潜在价值。

本研究深入探讨了在多中心、特征明确的SLE患者群体中预测LN的可能性。尽管本研究提供了重要的证据，但仍存在一些局限性。首先，并非所有患者都接受了肾活检，这在一定程度上限制了我们对LN类型的确切分类。在中国，由于患者对侵入性操作的担忧，部分LN患者可能未接受肾活检，而可能患有急性肾小管坏死、急性间质性肾炎、肾小血管炎、抗磷脂综合征或狼疮性肾小球病，而非免疫复合物肾炎。此外，我们无法确定有多少未接受肾活检的患者可能具有LN的组织学证据。为了解决这一局限性，我们比较了接受和未接受肾活检的患者，发现尽管未接受活检的患者表现出更严重的肾表现，但在人口统计学和基线SLE特征上并无显著差异。其次，我们发现的风险因素可能更适用于与研究队列种族或疾病阶段相似的患者。基于GRS和临床风险因素的风险评估工具需要在种族和地理多样性队列中进一步验证。此外，由于本研究为观察性研究，无法建立风险分层与早期干预策略之间的因果关系。因此，需要进行干预性研究，以评估我们的风险评估工具是否能够指导管理决策并改善SLE患者的预后。

本研究提供了进一步的证据支持新发LN的可预测性。在一个多中心前瞻性队列中，我们展示了通过结合临床风险因素（包括年轻年龄、浆膜炎、缺乏关节炎、低补体水平以及阳性anti-dsDNA抗体）可以有效预测LN的发展。更重要的是，本研究突出了遗传易感性在LN风险分层中的价值，GRS作为一项有前景的工具，可以帮助临床医生预测和分层LN风险。GRS还可以进一步细化临床风险组的风险预测，显示出在临床应用中识别高风险个体的巨大潜力。然而，未来仍需进一步验证GRS在LN风险分层中的准确性和优势，以确保其在临床实践中的广泛适用性。

本研究采用的方法符合STROBE报告指南和多基因风险评分分析指南。患者从2010年1月至2022年6月期间被纳入中国SLE治疗与研究（CSTAR）在线注册系统。纳入标准包括：（a）符合修订的1997年美国风湿病学会（ACR）SLE分类标准、2012年系统性红斑狼疮国际协作中心（SLICC）分类标准或2019年欧洲抗风湿联盟（EULAR）/ACR分类标准；（b）SLE诊断时无肾损伤（定义为尿蛋白阴性，或尿蛋白/肌酐比≤500 mg/g，或24小时蛋白尿<0.5 g，无论是否伴有血尿或细胞管型）。排除了由非SLE因素引起的肾病，如药物相关肾病或浆细胞异常相关肾病。本研究经北京协和医院机构审查委员会批准（批准号JS-3386D, K-5745），其他中心也获得了当地机构审查委员会的伦理批准。

在SLE诊断时和每次随访期间，收集了患者的人口学信息、临床特征、实验室结果和治疗方案。基线时采集了血液样本进行基因分型，并在-80°C条件下储存以备进一步分析。人口学数据包括性别、年龄和疾病持续时间。临床特征包括黏膜皮肤受累、关节炎、浆膜炎、血液系统受累以及神经精神受累。实验室检测结果包括血清肌酐、补体水平、自身抗体、尿沉渣和尿蛋白。疾病活动性每年通过系统性红斑狼疮疾病活动指数2000（SLEDAI-2K）进行评估，器官损伤则根据SLICC/ACR器官损伤指数（SDI）进行评估。治疗方案包括糖皮质激素、羟氯喹和免疫抑制剂，并在SLE诊断时和每次随访中记录。

为了确保数据质量，我们进行了严格的样本和变异质量控制。样本需要满足以下条件：（1）性别一致或无歧义；（2）异质性率低于3个标准差；（3）主成分分析中的异常样本；（4）样本呼叫率≤0.9；（5）个体之间的亲缘关系通过身份由降（IBD）分析计算。对于每对个体，如果PI_HAT > 0.2，则排除呼叫率较低的个体。通过使用默认参数和1000基因组计划的全球参考面板（1000G p3v5）进行相位和插补分析。最终，通过基本质量控制并具有估计插补准确度Rsq > 0.3的常见变异（MAF > 1%）被纳入进一步分析。

对于GRS的构建，我们使用了目前最大的东亚SLE患者元分析数据，从中识别出与SLE相关的SNP。每个个体的GRS基于112个非人类白细胞抗原（HLA）遗传位点进行加权计算。对于每个易感SNP，我们根据元分析得出的权重，将个体的风险等位基因数量与SLE易感性的自然对数比（OR）相乘，然后将所有个体的乘积相加，得到最终的GRS。通过这种方式，我们能够更全面地评估个体的遗传风险，并将其与临床风险因素结合，以实现更精准的风险分层。

在统计分析方面，我们采用了描述性统计方法，对连续变量使用均值±标准差或中位数（四分位数范围）进行分析，对分类变量使用频率进行描述。连续变量通过t检验进行比较，分类数据则采用皮尔逊卡方检验进行分析。首先，我们使用LASSO方法和Cox比例风险模型分析了临床风险因素与LN发展之间的关联。在LASSO回归中，我们通过20倍交叉验证确定了最优模型，并根据1个标准误差准则选择了具有非零系数的变量。随后，我们进行了多变量Cox回归分析，以评估临床风险因素的预测价值。通过拟合Cox回归模型，我们估计了风险比（HR）和95%置信区间（CI）。此外，我们还进行了皮尔逊相关分析和多变量分析，以评估GRS与事件发生时间之间的独立关联。GRS被作为连续变量进行分析，并被分为极端四分位数以进行风险分层。

为了评估GRS在临床风险分层中的附加价值，我们进行了DeLong检验，以比较AUC的统计差异。我们使用Kaplan-Meier方法计算了随访期间的新发LN累积发生率，并通过log-rank检验比较了不同风险组之间的差异。p < 0.05被认为是统计学上显著的，所有统计检验均为双尾检验。统计分析使用R统计软件（版本3.6.1）进行。

在本研究中，所有作者均参与了研究的概念设计、数据收集和分析。Y.F.D.、M.T.L.和J.L.Z.设计了研究并拥有本研究所有数据的无限制访问权限。Y.F.D.和X.Z.Y.准备了材料并进行了分析。Y.F.D.、X.Z.Y.、M.T.L.和J.L.Z.构思了项目，领导了研究并监督了整个工作过程。Y.F.D.和J.L.Z.撰写了论文的初稿。所有作者均对研究负责，并阅读并批准了最终的论文版本。

本研究感谢CSTAR的共同作者在患者招募和数据收集方面提供的帮助。我们还感谢王燕红博士在统计分析方面提供的关键建议和协助。本研究得到了中国国家科技重大专项计划（2021YFC2501300）、中国国家自然科学基金（32441090）、中国医学科学院医学与健康科技创新工程（CIFMS）（2023-I2M-C&T-B-047）以及国家高水平医院临床研究基金（2025-PUMCH-D-001；2022-PUMCH-B-013,C-002,D-009）的支持。本研究经北京协和医院机构审查委员会批准，并获得了所有参与者的知情同意。其他中心也获得了当地机构审查委员会的伦理批准。作者声明无利益冲突。本研究的数据属于正在进行的研究的一部分，因此未公开，但可从通讯作者处合理获取。