《Frontiers in Genetics》：Integrating machine learning and GWAS for variant prioritization in the INCIPE cohort highlights ABC transporter genes in chronic kidney disease
编辑推荐：
引言：慢性肾脏病（CKD）是一项重大公共卫生挑战，全球约影响6.74亿人，且是死亡率增长最快的病因之一。由于CKD早期常无症状，识别新型遗传生物标志物可改善早期检测与风险分层。全基因组关联研究（GWAS）已发现众多与CKD及相关性状相关的遗传位点，但在小规模且
引言：慢性肾脏病（CKD）是一项重大公共卫生挑战，全球约影响6.74亿人，且是死亡率增长最快的病因之一。由于CKD早期常无症状，识别新型遗传生物标志物可改善早期检测与风险分层。全基因组关联研究（GWAS）已发现众多与CKD及相关性状相关的遗传位点，但在小规模且不平衡的队列中统计效能下降，假阳性与假阴性增加。机器学习（ML）可从高维基因组数据中优先筛选具有生物学意义的遗传信号，作为GWAS的补充。
方法：研究人员在INCIPE队列中实施由下采样器与CatBoostClassifier（CBC）组成的嵌套集成（NCBC）模型，对与CKD相关的候选遗传变异进行优先级排序。优先变异经功能注释后，通过富集分析、GTEx基因表达谱及蛋白质-蛋白质相互作用网络分析进行评估。以CKDGen联盟已报道基因为外部参考集，验证优先结果的生物学相关性。
结果：NCBC模型优于常规ML分类器，ROC AUC达87.77%，其余模型仅50%–53%。优先基因中56.25%与CKDGen联盟已报基因存在蛋白质-蛋白质相互作用，随机基因集仅1.9%。功能分析提示ABCA13、ABCA4、ABCC4等ABC转运蛋白相关基因为有望进一步验证的候选基因，其中ABCA4在肾组织中有可观表达。
讨论：该研究证明NCBC模型可改善小规模不平衡CKD队列中生物学合理候选变异的优先级排序。结果支持将ML与GWAS整合以优先候选基因并探究复杂疾病遗传架构。
研究背景：慢性肾脏病（CKD）被定义为肾脏结构或功能异常持续超过3个月，是过早死亡的主要风险因素，并可增加心血管、呼吸及代谢等非传染性疾病风险。1990年至2021年全球CKD归因死亡从591,800例增至约142万例，预计2040年将进一步上升。WHO估计2025年全球约6.74亿人受累。CKD早期沉默使多数患者在初发阶段未察觉，因此早期识别生物标志物对风险分层与个性化干预至关重要。过去二十年GWAS成为发现疾病相关单核苷酸多态性（SNP）的主要手段，但其效能高度依赖样本量与表型分布；小规模、不平衡队列会显著降低统计效能，放大Ⅰ型与Ⅱ型错误。机器学习虽在基因组学等领域快速发展，但在极端不平衡数据下泛化性受限。为此，研究人员在INCIPE（Initiative on Nephropathy, of relevance to public health, which is Chronic, possibly in its Initial stages, and carries a Potential risk of major clinical End-points）队列中结合下采样与集成ML模型，以增强在小样本不平衡CKD数据中的变异优先级排序能力。
主要关键技术方法：研究基于意大利威尼托大区INCIPE队列，含3,870名≥40岁高加索人，经质量控管后合并INCIPE1（Illumina Human Omni Express）与INCIPE2（Illumina Human Core Exome）基因分型数据，于Michigan Imputation Server用HRC面板填补，得3,046人9,190,371个SNP。病例为4期及3B/3A伴白蛋白尿≥30者（213人），对照为1期者（1,525人）。GWAS用PLINK2广义线性模型，协变量含性别与前3主成分；ML端取名义显著（p≤0.05）的81,684标记，经复合基因型编码与MinMax缩放，按8:2切分。对比LightGBM、XGBoost、Balanced RF、RF、CBC五模型，构建NCBC——每次迭代用RandomUnderSampler配平对照至病例数，训练CBC（iterations=200, l2_leaf_reg=5, learning_rate=0.2, depth=8）共100次，聚合SHAP与信息增益（FIG）提取重要SNP。功能注释用UCSC VAI（GRCh37/hg19），富集用g:Profiler，表达用GTEx v8，网络用STRING v12并与CKDGen基因集做随机图（1万次）与置换检验。
研究结果：
3.1 全基因组关联研究：因样本有限无位点达基因组广显著（p<5×10-8），放宽至p<1×10-6获4个位点，最强信号位于ABCA13；下游取p≤0.05的81,684标记入ML。
3.2 机器学习模型评估：LightGBM、XGBoost、RF、CBC的ROC AUC仅50–53.47%，Balanced RF为78.51%，NCBC达87.77%±0.029，准确率79.95%±0.023，平衡准确率79.45%±0.032，百次迭代中最佳ROC AUC 93.72%，证实其在不平衡数据下最优。
3.3 重要SNP的功能分析：NCBC以FIG≥0.5与SHAP≥0.05交集得67个SNP，注释为30个蛋白编码基因（含ABCA13、ABCA4、ABCC4、CDH20、E2F3、RREB1等）、1假基因、1 miRNA及RREB1错义变异。ABCA4、CDH20、E2F3、RREB1见于GWAS Catalog与GFR相关，KCNIP4与C反应蛋白相关，CEP128与甲减相关。富集显示ABCA13/ABCA4/ABCC4属ABC转运蛋白通路（KEGG:02010，p≤0.002）；GTEx示ABCA4在肾皮质与髓质均有可观表达。
3.4 NCBC与CKDGen网络互作分析：STRING中18个NCBC基因与CKDGen基因显著相连（如ABCC4连ABCG2、SLC2A9等；SYNE1、RREB1连SOX17、LRP2等），占NCBC蛋白编码基因56.25%；随机1万次取33基因仅1.9%有连线、0.16%均分≥0.22。置换检验示curated database（p=0.0001）、experimental（p=0.0014）、co-expression（p=0.0153）均显著，证明非随机 artifact。ABCC4子网络富集顶端膜小分子转运、尿酸/脂质转运；SYNE1/MAGI2富集终末期肾病与肾病综合征；RREB1涉近端小管顶膜转运。
讨论总结：研究人员指出，小样本GWAS未达广显著系因效能不足；NCBC将分类AUC自CBC的53.47%提至87.77%，说明ML优先级排序可补GWAS之缺，捕捉未达显著但具生物连贯性的信号。NCBC基因虽未被CKDGen收录，但逾半数与其已知网络直接相连且显著优于随机，支持其生物相关性。GLIS3（6连）、ABCC4（5连）、SYNE1（4连）可能为尿酸毒素排泄通路节点。ABCA4虽经典关联视网膜，但肾表达与ABC通路富集提示其或参与肾转运与CKD易感，需功能实验验证。局限含单队列未外验、功能证据间接、缺因果与湿实验。
结论翻译：通过整合GWAS与基于ML的优先级排序，本研究支持了在相对较小且不平衡的队列中组合互补计算方法以识别与复杂病症（如CKD）相关的新型合理候选基因及通路的潜力。NCBC方法优先出67个变异对应32个基因，其中逾半数与CKDGen联盟既往确立的CKD位点相连，这支持了优先信号的生物学相关性与所提方法的整体稳健性。在优先基因中，富集分析显示与ABC转运蛋白通路存在关联暗示，提示ABCA13、ABCA4与ABCC4对CKD易感性或有贡献，如前所述ABCA4在CKD肾组织中表达下调。总体而言，这些发现为CKD遗传架构提供了新见解，并为未来功能与转化研究生成了可检验的新假设。论文发表于《Frontiers in Genetics》。
