Разработка и валидация прогностической модели риска возрастной макулярной дегенерации на основе генетических маркеров и методов машинного обучения

Abstract

Цель. Интегрировать данные о 12 функционально значимых однонуклеотидных по-лиморфизмах (SNP, от англ. Single Nucleotide Polymorphism) в генах CFH, ARMS2, C3, VEGF и KDR с демографическими показателями для построения прогностических моделей риска возрастной макулярной дегенерации (ВМД) с использованием методов машинного обучения и провести сравнительный анализ их эффективности. Материалы и методы. В исследование включены 577 пациентов: 368 с ВМД и 209 лиц без патологии сетчатки по данным офтальмологического обследования (контрольная группа). Проведен анализ ассоциаций 12 SNP с риском ВМД методом логистической регрессии. Для построения прогностических моделей использованы алгоритмы: логистическая регрессия, случайный лес, XGBoost и многослойный персептрон. Качество моделей оценивали по AUC-ROC, точности, чувствительности и специфичности. Результаты. Подтверждена значимая ассоциация с ВМД полиморфизмов ARMS2 rs10490924 (отношение шансов (ОШ) = 6,76 для гомозигот T; p<0,001), CFH rs800292 (ОШ=5,62; p=0,002) и rs1061170 (ОШ=3,68; p<0,001). Наилучшую прогностическую эффективность продемонстрировала модель XGBoost (AUC=0,824; чувствительность 93%, специфичность 83%). Наибольший вклад в прогноз вносят ARMS2 rs10490924 (18,0%), возраст (12,3%) и варианты CFH (rs1061170 – 13,1%, rs800292 – 12,0%).

Purpose. To integrate data on 12 functionally significant SNPs in the CFH, ARMS2, C3, VEGF, and KDR genes with demographic parameters to develop prognostic models for age-related macular degeneration (AMD) risk using machine learning methods and to perform a comparative analysis of their performance. Materials and methods. The study included 577 patients (368 with AMD, 209 controls). Association analysis of 12 SNPs with AMD risk was performed using logistic regression. Prognostic models were built using logistic regression, random forest, XGBoost, and multilayer perceptron algorithms. Model performance was assessed by AUC-ROC, accuracy, sensitivity, and specificity. Results. Significant associations with AMD were confirme d fo r ARMS 2 rs10490924 (OR=6.76 for T homozygotes; p<0.001), CFH rs800292 (OR=5.62; p=0.002), and rs1061170 (OR=3.68; p<0.001). The XGBoost model demonstrated the best predictive performance (AUC=0.824; sensitivity 93%, specificity 83%). The greatest contribution to prediction was made by ARMS2 rs10490924 (18.0%), age (12.3%), and CFH variants (rs1061170 – 13.1%, rs800292 – 12.0%). Conclusion. The combination of genetic markers (12 SNPs) with demographic data enables high-accuracy prediction of AMD risk. The XGBoost model can be used for personalized risk stratification in population screening.