斯坦福大学医学院的研究人员近日开发出一种机器学习框架，能将基因组数据与电子病历数据相整合，以预测一个人患上腹主动脉瘤（AAA）的风险，并帮助科学家了解这种疾病的生物学结构。这项成果发表在最新的《Cell》杂志上。
这种名为HEAL的分析框架可用于腹主动脉瘤的早期筛查检测，并作为个人健康管理工具，让人们通过调整生活方式来降低疾病风险。斯坦福大学医学院的MichaelSnyder和PaloAlto退伍军人医疗系统的PhilipTsao领导了这项研究。
同时，HEAL还有望预测其他疾病的风险。“HEAL框架可能适用于许多复杂疾病，而我们的整体方法也有望成为开发临床检测的宝贵工具，将个人基因组序列纳入疾病风险的预测，”研究人员指出。目前，Snyder的团队正将HEAL应用于早产和自闭症的研究。
腹主动脉瘤导致腹主动脉不可逆地扩张，多发于老年男性。它通常没有症状，在晚期才能诊断。最常见的并发症是主动脉破裂，造成90%的病例死亡。尽管疾病的遗传率预计为70%，但目前对它的遗传学知之甚少。
为了鉴定腹主动脉瘤的突变景观，斯坦福大学团队对AAA患者和对照的基因组进行了测序，并使用HEAL将基因组变异与疾病特征相关联。
他们发现，HEAL能够独立地根据基因组数据以及生活方式和生理数据来预测疾病状态，不过当两者结合时，预测能力增加。
在这项研究中，他们选择了来自PaloAlto退伍军人医疗系统、斯坦福大学和KaiserPermanente医疗系统的名AAA患者和名对照，并对他们的血液样本进行了全基因组测序，平均覆盖率为50倍。
然后，他们对数据进行了全基因组关联（GWAS）研究，这种研究旨在寻找与常见变异相关的疾病，但没有一个基因座达到统计学意义。于是，他们专注于稀有变异，采用HEAL来分析它们。
HEAL首先对每个变异进行注释。然后，它在病例中鉴定出与对照具有不同突变模式的基因集合，用于预测临床结果。根据研究数据，HEAL确定了最少的一组共60个基因，其突变负荷与对照组之间增加。这些基因能够很好地预测腹主动脉瘤的状态。
接着，研究人员分析了每位参与者的电子病历数据，包括生活方式调查和上次看病时的测量结果，如性别、年龄、吸烟状况、心率、腰臀比、胰岛素水平、空腹血糖水平和血脂水平。利用类似的机器学习模型，他们能够区分腹主动脉瘤患者和对照。他们指出，这是意料之中的，因为疾病与这些特征有关。
最后，他们将基因组数据与电子病历记录整合，进一步提高了模型的预测能力。研究人员表示，“这证明了个人基因组和个体生活方式在预测疾病结果方面的互补性。HEAL将基因组学与电子病历相整合，更准确地预测疾病风险。”
参考资料：
DecodingtheGenomicsofAbdominalAorticAneurysm