《基于多模态深度学习的心血管生物年龄模型及其遗传特征研究》

《European Heart Journal》：Multimodal deep learning reveals the modular genetic architecture of cardiovascular aging

　　

摘要

背景

加速的生物学衰老与心血管疾病发病率和死亡率密切相关。深度学习（DL）能够跨多种心血管模态估计生物学年龄，生成系统级衰老的定量生物标志物。该框架为系统评估模态特异性衰老特征的遗传性、遗传重叠和疾病相关性提供了机会，从而为心血管风险提供具有潜在相关性的生物学背景。

目的

开发跨心电图（ECG）、心脏磁共振（CMR）、颈动脉超声和视网膜成像的系统特异性深度学习衍生心血管年龄模型，并量化其模态特异性衰老特征的遗传性、遗传重叠和疾病相关性。

方法

我们利用163,721名英国生物样本库参与者（中位年龄67岁[四分位间距：60-73]）的数据，包括91,057份心电图、82,615份心脏磁共振、82,929份颈动脉超声和96,164份视网膜图像。我们使用ResNet架构训练模态特异性衰老模型以预测时间年龄，利用5000人的开发队列，并在剩余的保留测试队列上推断深度学习年龄。我们针对欧洲血统参与者，使用时间年龄与深度学习衍生生物学年龄之间的差异进行了多模态特异性全基因组关联研究（GWAS）。此外，我们进行了功能注释和连锁不平衡分数回归（LDSC）以估计遗传力（h₂）。最后，计算了模态之间以及与各种临床表型（包括心血管疾病、慢性条件和生物测量特征）之间的遗传相关性（r_g）。

结果

模态特异性年龄模型预测时间年龄的平均绝对误差（MAE）范围为4.27至5.90，分别对应视网膜成像和心电图（图1A）。在四种模态数据均可用的参与者中，我们观察到各模态间模式差异较大，一致性有限（图1B）。模态特异性年龄差异GWAS确定了60个独立的基因组显著位点（心电图：20，心脏磁共振：12，颈动脉超声：10，视网膜成像：18）。基于SNP的遗传力范围为9.8%至12.4%。四种衰老指标之间的心电图、心脏磁共振和颈动脉超声的遗传相关性较低（r_g范围：0.2–0.36），与视网膜成像的关联最小（图2）。在临床上，年龄差异表现出不同的遗传相关性；例如，心电图年龄与心房颤动的相关性最强（r_g = 0.37），而颈动脉超声年龄与心力衰竭相关（r_g = 0.22）。

结论

跨心血管模态的深度学习衍生生物学年龄模型捕获了具有有限遗传重叠的系统特异性衰老特征，支持心血管衰老的异质性模型。因此，多模态衰老生物标志物可能改善器官特异性风险分层。

图1

在新标签页中打开下载幻灯片

图2

在新标签页中打开下载幻灯片