Verbesserte Vorhersage von Herz-Kreislauf-Erkrankungen basierend auf einem Panel von Einzel-Nukleotid-Polymorphismen, die durch genombasierte Assoziationsstudien identifiziert wurden

HINTERGRUND: Genombasierte Assoziationsstudien (GWAS) haben Einzel-Nukleotid-Polymorphismen (SNPs) an mehreren Loci identifiziert, die signifikant mit dem Risiko für koronare Herzkrankheit (KHK) assoziiert sind. In dieser Studie wollten wir die prädiktiven Fähigkeiten von 9p21.3 allein und einem Panel von SNPs, die durch GWAS identifiziert und repliziert wurden, bestimmen und vergleichen. METHODEN UND ERGEBNISSE: Wir verwendeten die Daten des Ottawa Heart Genomics Study (OHGS) (3323 Fälle, 2319 Kontrollsubjekte) und des Wellcome Trust Case Control Consortium (WTCCC) (1926 Fälle, 2938 Kontrollsubjekte). Wir verglichen die Fähigkeit von Allelenzählung, logistischer Regression und Support-Vektor-Maschinen. Zwei Sätze von SNPs, 9p21.3 allein und ein Satz von 12 SNPs, die durch GWAS und durch ein Modellanpassungsverfahren identifiziert wurden, wurden betrachtet. Die Leistung wurde durch Messung der Fläche unter der Kurve (AUC) für OHGS unter Verwendung von 10-facher Kreuzvalidierung und WTCCC als Replikationssatz bewertet. Die AUC für die logistische Regression unter Verwendung von OHGS erhöhte sich signifikant von 0,555 auf 0,608 (P=3,59×10⁻¹⁴) für 9p21.3 gegenüber den 12 SNPs. Dieser Unterschied blieb bestehen, als traditionelle Risikofaktoren in einer Untergruppe von OHGS (1388 Fälle, 2038 Kontrollsubjekte) berücksichtigt wurden, wobei die AUC von 0,804 auf 0,809 anstieg (P=0,037). Der zusätzliche prädiktive Wert über die traditionellen Risikofaktoren hinaus war für 9p21.3 nicht signifikant (AUC 0,801 gegenüber 0,804, P=0,097), aber für die 12 SNPs (AUC 0,801 gegenüber 0,809, P=0,0073) signifikant. Die Leistung war ähnlich zwischen OHGS und WTCCC. Die logistische Regression übertraf sowohl die Support-Vektor-Maschinen als auch die Allelenzählung. SCHLUSSFOLGERUNGEN: Die Verwendung des Kollektivs von 12 SNPs verleiht signifikant größere prädiktive Fähigkeiten für KHK als 9p21.3, unabhängig davon, ob traditionelle Risiken berücksichtigt werden oder nicht. Genauere Modelle werden wahrscheinlich entstehen, wenn zusätzliche mit KHK assoziierte SNPs identifiziert werden.