队列与组织学表型建立
建立活检确诊MASLD的成人和儿童队列，并定义组织学表型用于关联分析。
纳入NASH CRN研究中2149名成人和900名儿童活检确诊MASLD；所有肝活检由NASH CRN Pathology Committee盲法审阅并按NASH CRN Scoring System评分；定义晚期纤维化（F≥3）、NAS≥4、at-risk MASH（NAS≥4且stage≥2 fibrosis）及MASH主要病变。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
多基因风险评分与活检确诊MASLD中晚期纤维化和组织学活动的年龄特异性关联
Age-Specific Associations of Polygenic Risk Scores With Advanced Fibrosis and Histological Activity in Biopsy-Proven MASLD
实验完整度
中基于NASH CRN队列的基因分型、组织学表型关联分析、回归建模和AUROC诊断性能评估，无功能或机制验证。
主要模型
2149名活检确诊MASLD成人（NASH CRN队列） 900名活检确诊MASLD儿童（NASH CRN队列） 成人欧洲和美洲印第安裔（Hispanic）祖先参与者 儿童欧洲和美洲印第安裔（Hispanic）祖先参与者
重点核对
PRS构建基于七个已发表PRSs及其SNPs数量：Chen 17 SNPs、Emdin 12 SNPs、Whitfield 3 SNPs、Schwantes-An 20 SNPs、Vujkovic 77 SNPs、Vujkovic 17-SNPs、Ghouse 36 SNPs。 主要结局晚期纤维化定义为F≥3（Stage 3和4）；次要结局NAS≥4、at-risk MASH（NAS≥4且stage≥2 fibrosis）、MASH主要病变。 关联分析在成人和儿童中分别进行，合并AMR（Hispanic）和EUR祖先人群，调整祖先、性别和年龄。 惩罚回归模型包括forward stepwise AIC、LASSO、elastic-net、ridge，同时纳入所有PRSs，并采用重复5折交叉验证（100次重复）。 采用DeLong's test比较模型AUROC；所有统计分析使用R version 4.2.1，双侧p<0.05视为统计学显著。
摘要
背景与目标：MASLD组织学严重程度的遗传易感性仍未完全明确。我们评估了新近开发的全基因组关联研究衍生的多基因风险评分（PRSs）与MASLD晚期纤维化的关联。我们还评估了PRSs与组织学活动的关联以及部分PRSs对晚期纤维化的预测能力。方法：我们分析了NASH临床研究网络研究中2149名成人和900名活检确诊MASLD的儿童。基因分型由Regeneron Genetics Center采用全外显子组测序联合靶向基因分型完成。使用线性和逻辑回归模型检查了七个已发表PRSs（Chen、Emdin、Whitfield、Schwantes-An、Vujkovic和Ghouse）与MASLD组织学特征的关联。使用惩罚回归模型选择与MASLD性状相关的顶级PRSs。结果：成人中Schwantes-An PRS（OR 1.29，95% CI 1.17–1.42，p < 0.01）和儿童中Chen PRS（OR 1.46，95% CI 1.17–1.82，p < 0.01）与其他PRSs相比与晚期纤维化风险较高相关。成人中Chen PRS（OR 1.29，95% CI 1.18–1.41，p < 0.01）和儿童中Schwantes-An PRS（OR 1.39，95% CI 1.20–1.61，p < 0.05）与MASLD活动风险较高相关。尽管最高PRSs四分位数与最低四分位数相比与晚期纤维化风险相关，但两种PRS对晚期纤维化均无良好的诊断区分能力（AUROC < 60%）。结论：在这个大型活检确诊MASLD队列中，两种不同的PRSs与成人与儿童疾病组织学严重程度和活动相关。研究提示当前PRSs可能改善晚期纤维化的个性化风险分层，但不能用于其诊断。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 近期GWAS衍生的多基因风险评分是否与成人和儿童活检确诊MASLD的晚期纤维化、组织学活动相关，以及是否能预测晚期纤维化。
- 核心机制
- 两种不同的PRSs（成人的Schwantes-An和儿童的Chen）与MASLD组织学严重程度和活动相关，提示年龄特异性遗传效应；PRSs反映遗传易感性，而FIB-4反映已形成的纤维化，因此遗传风险在疾病已存在后不一定转化为诊断性能。
- 主要证据
- 在2149名成人和900名儿童活检确诊MASLD队列中，使用七个已发表PRSs进行线性、逻辑和惩罚回归分析，并比较AUROC；成人Schwantes-An PRS与晚期纤维化OR 1.29（95% CI 1.17–1.42），儿童Chen PRS OR 1.46（95% CI 1.17–1.82）；成人Chen PRS与NAS≥4 OR 1.29（95% CI 1.18–1.41），儿童Schwantes-An PRS OR 1.39（95% CI 1.20–1.61）；两种PRS对晚期纤维化和NAS≥4的AUROC均<60%。
- 研究意义
- 研究提示当前PRSs可能改善晚期纤维化的个性化风险分层，但不能用于其诊断；PRSs可能最适用于在晚期疾病发生前识别风险增加的个体，或在缺乏表型特异性生物标志物的环境中使用。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
基因分型与PRS计算
获取基因型数据并构建已发表的PRSs用于关联分析。
由Regeneron Genetics Center进行全外显子组测序联合靶向基因分型；DNA样本测序20×靶向WES和超过140万个靶向变异；质控后使用TOPMED Imputation Server进行插补；基于七个已发表PRSs构建评分。
PRS与组织学表型的关联分析
评估PRSs与MASLD组织学表型（纤维化、NAS、MASH病变）的关联。
使用广义线性回归模型分析连续结局（纤维化分期、NAS），逻辑回归模型分析二分类结局（晚期纤维化、NAS≥4、at-risk MASH、脂肪变性Grade≥2、小叶炎症Grade≥2、气球样变Grade≥1）；成人和儿童分别分析，合并AMR和EUR人群。
PRS选择与稳定性评估
评估各PRS对晚期纤维化和NAS≥4的相对贡献并排序。
采用基于AIC的forward stepwise模型选择，每次添加使AIC降低最大的PRS；同时使用惩罚回归模型（LASSO、elastic-net、ridge）纳入所有PRSs；进行重复5折交叉验证（100次重复），按系数绝对值排序贡献，计算每个PRS在最终模型中的选择频率。
PRS四分位数与组织学表型关联
评估PRS四分位数与晚期纤维化、NAS≥4、at-risk MASH及MASH主要病变的关联。
使用逻辑回归模型分析PRS四分位数与结局的关联，以最低四分位数组为参考。
诊断性能评估
评估PRSs对晚期纤维化和NAS≥4的预测能力，并与FIB-4比较。
计算AUROC评估PRSs检测晚期纤维化和NAS≥4的预测性能，并与FIB-4比较；构建七个模型评估FIB-4与PRSs联合临床变量的附加价值；使用DeLong's test比较模型AUROC差异。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 基因分型 | TOPMED插补服务器 | -- | -- |
| 数据分析 | SNPsRelate | -- | -- |
| R 4.2.1 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 研究队列 | 成人和儿童样本量（2149名成人和900名儿童），MASLD诊断标准（脂肪变性≥5%且排除显著饮酒），招募时间2004–2020年，多中心美国。 阅读提示：Methods 2.1 The Study Cohort |
| 组织学表型 | 晚期纤维化定义F≥3，NAS≥4定义，at-risk MASH定义（NAS≥4且stage≥2 fibrosis），MASH主要病变分级。 阅读提示：Methods 2.2 Histological Phenotyping and Selection of Primary Phenotypes for Association Analyses |
| 基因分型与PRS构建 | 七个PRSs及其SNPs数量：Chen 17 SNPs、Emdin 12 SNPs、Whitfield 3 SNPs、Schwantes-An 20 SNPs、Vujkovic 77 SNPs、Vujkovic 17-SNPs、Ghouse 36 SNPs；缺失SNP数量（Table S2）；标准化在各祖先组内进行。 阅读提示：Methods 2.4 Polygenic Risk Scores Selection, Calculations and Correlations；Table S1；Table S2 |
| 关联分析 | 成人和儿童分别分析；合并AMR（Hispanic）和EUR祖先；调整祖先、年龄和性别；连续和分类结局定义。 阅读提示：Methods 2.5 Analyses of PRSs Associations With MASLD Histological Phenotypes |
| PRS选择与诊断性能 | 惩罚回归模型类型（forward stepwise AIC、LASSO、elastic-net、ridge）；重复5折交叉验证100次；AUROC比较使用DeLong's test；七个模型定义。 阅读提示：Methods 2.5；Results 3.5；Results 3.7；Figure 3 legend；Table S7 |