[發明專利]腦疾病發病風險預測模型建立方法、系統、設備及存儲介質

有效

• 申請號: 202110292892.7
• 申請日: 2021-03-18
• 公開（公告）號: CN113096816B
• 公開（公告）日: 2023-06-13
• 發明（設計）人: 郭燕;郭婧;俞可;董珊珊;楊鐵林
• 申請（專利權）人: 西安交通大學
• 主分類號: G16H50/50
• 分類號: G16H50/50
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 馬貴香

1.一種腦疾病發病風險預測模型建立方法，其特征在于，包括以下步驟：

獲取腦成像衍生表型的全基因組關聯研究數據以及腦部疾病的全基因組關聯研究統計數據，并進行協調處理；

利用雙樣本孟德爾隨機化設計理論，篩選與腦成像衍生表型強關聯且與腦疾病無關的遺傳變異作為工具變量，排除混雜因素、弱工具變量偏倚和異質性干擾，得到篩選后的腦成像-疾病關系數據；

對每個腦成像-疾病關系數據進行逆方差加權法計算，建立因果關系預測模型；所述協調處理具體包括以下步驟：

隨機選擇無血緣和遺傳相關性的基因組數據作為參考樣本，計算參考樣本的最小等位基因頻率；

以最小等位基因頻率作為效應等位基因，校正腦成像衍生表型的全基因組關聯研究數據以及腦部疾病的全基因組關聯研究統計數據的效應等位基因和效應方向；

并刪除回文結構遺傳變異數據。

2.根據權利要求1所述一種腦疾病發病風險預測模型建立方法，其特征在于：所述工具變量的選擇具體包括以下步驟：

利用逐步回歸模型對每個腦成像表型的全基因組關聯研究統計數據進行條件獨立性聚類分析并挑選出顯著相關聯的遺傳變異作為工具變量；以參考樣本作為參考，設置連鎖不平衡關聯系數閾值、基因組窗口大小和全基因組關聯值的閾值。

3.根據權利要求1所述一種腦疾病發病風險預測模型建立方法，其特征在于：所述排除混雜因素具體包括以下步驟：

排除滿足人類基因型-表型相關聯數據庫和全基因組關聯目錄數據庫中混雜因素工具變量；

排除與目的腦疾病存在遺傳關聯的混雜因素的工具變量；

排除影響腦結構成像衍生表型的混雜因素。

4.根據權利要求1所述一種腦疾病發病風險預測模型建立方法，其特征在于：所述排除弱工具變量偏倚和異質性干擾具體包括以下步驟：

使用回歸模型中的F統計量對工具變量和腦成像表型的關聯強度進行評估；

剔除工具變量個數不滿足要求的腦結構-疾病風險關系的模型測試。

5.根據權利要求1所述一種腦疾病發病風險預測模型建立方法，其特征在于：所述因果關系預測模型的因果關系預測結果包括預測的效應值、置信區間和混雜因素值。

6.根據權利要求1所述一種腦疾病發病風險預測模型建立方法，其特征在于：還包括：

根據建立的因果關系預測模型，預測腦成像與疾病的因果關系，按照敏感性分析對模型評估，輸出腦成像-疾病的易感風險。

7.一種腦疾病發病風險預測模型建立系統，其特征在于，包括：

數據獲取單元，用于獲取腦成像衍生表型的全基因組關聯研究數據以及腦部疾病的全基因組關聯研究統計數據，并進行協調處理；所述協調處理具體包括以下步驟：

隨機選擇無血緣和遺傳相關性的基因組數據作為參考樣本，計算參考樣本的最小等位基因頻率；

以最小等位基因頻率作為效應等位基因，校正腦成像衍生表型的全基因組關聯研究數據以及腦部疾病的全基因組關聯研究統計數據的效應等位基因和效應方向；

并刪除回文結構遺傳變異數據；

數據處理單元，用于利用雙樣本孟德爾隨機化設計理論，篩選與腦成像衍生表型強關聯且與腦疾病無關的遺傳變異作為工具變量，排除混雜因素、弱工具變量偏倚和異質性干擾，得到篩選后的腦成像-疾病關系數據；

模型建立單元，對每個腦成像-疾病關系數據進行逆方差加權法計算，建立因果關系預測模型。

8.一種電子設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現權利要求1-6任一項所述腦疾病發病風險預測模型建立方法的步驟。

9.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現權利要求1-6任一項所述腦疾病發病風險預測模型建立方法的步驟。