谷歌研究迁移学习提升非欧裔群体基因组预测精度

原标题:Transfer learning for genomic prediction in underrepresented populations
48AI 研判分

针对多基因风险评分(PRS)在非欧洲人群中准确率显著下降的问题,谷歌团队提出利用迁移学习技术。该方法通过结合现有以欧洲人群为主的全基因组关联研究(GWAS)数据与目标人群的小规模 GWAS 数据,旨在低成本提升对代表性不足群体的疾病风险预测能力。

报道正文

本文目录5 个章节

多基因风险评分(PRS)用于根据遗传变异预测疾病风险。它们通常纳入数百至数百万个遗传变异的影响。然而,目前其在临床决策中的应用率较低,部分原因在于历史上的全基因组关联研究(GWAS)绝大多数针对欧洲人群队列进行评估,导致在应用于非欧洲人群时准确性严重下降。这些准确性差异源于不同人群间在遗传架构、群体结构以及变异等位基因频率方面的差异。

此外,对数十万个体开展从头(de novo)GWAS 对于大多数医疗系统而言成本过高。从现有的以欧洲人群为主的 GWAS 中进行迁移学习,并利用目标人群特异性的 GWAS 数据来增强这些大规模结果,提供了一种潜在的解决方案。

为此,在本博客文章中,我们描述了一项研究,该研究评估了 PRS 在目标非欧洲人群中的表现,同时改变用于构建预测模型的目标人群和欧洲人群的规模,涵盖八种临床性状。具体而言,我们评估了在 UK Biobank(UKB)中数十万欧洲个体中确定的 PRS 向 Biobank Japan(BBJ)样本的迁移能力,BBJ 是一个拥有近 20 万日本个体且表型深度丰富的队列。我们的主要目标是提供系统性的实证指南,说明应如何执行跨人群 GWAS 和 PRS 模型训练,以优化目标人群中的预测性能。

GWAS 人群规模对目标祖先 PRS 性能的影响

拥有两个大规模、深度基因分型和表型数据集(UKB 和 BBJ),使得我们可以通过数据集消融实验,系统评估多基因风险评分(PRS)性能随样本量的变化。我们选取了八种在两个人群中均有测量的临床相关性状进行评估:体重指数(BMI)、收缩压、舒张压、红细胞计数、白细胞计数、高密度脂蛋白胆固醇(HDL)、低密度脂蛋白胆固醇(LDL)以及血糖。在 UKB 数据集中,由测量到的遗传变异(单核苷酸多态性 遗传力)解释的性状方差比例估计为 0.07–0.28。

采用三种方法来评估 PRS 性能的跨人群可迁移性:

  1. UKB - 发现 GWAS +弹性网络: 探索欧洲人群与日本人群之间直接变异的跨人群可迁移性。对于每种性状,我们首先通过对完整的 UKB 欧洲人群运行全基因组关联分析(GWAS),并筛选出同时存在于 BBJ 日本数据集中的独立变异,从而识别出欧洲人群特有的遗传关联。将这些变异作为输入,我们在 BBJ 和 UKB 样本的不同组合上训练弹性网络模型,以计算目标人群的 PRS。具体而言,我们将 12–13 种 BBJ 样本量与七种 UKB 样本量进行配对。这为每种性状生成了 96–104 个 PRS 模型。
  2. 荟萃分析+ 弹性网络: 探索在变异发现阶段混合日本人群数据的影响。首先,我们分别在完整的 UKB 欧洲人群和一个抽样的 BBJ 日本数据集上运行 GWAS。然后,我们通过荟萃分析合并这些遗传关联,生成最终的变异集合。利用这些变异,我们在 UKB / BBJ 混合数据集上训练弹性网络模型,以确定目标人群的 PRS。
  3. PRS-CSx: 探索一种旨在处理人群间连锁不平衡多样性的 PRS-CSx 模型。针对每种性状,我们将 PRS-CSx 应用于完整的 UKB 欧洲样本和抽样的 BBJ 日本样本。由于 PRS-CSx 模型会为每个人群提供来自同一样本的两个不同评分,我们还对验证集进行了拆分,以寻找这两个评分之间的最佳线性组合。

在所有实验中,PRS 模型均在相同的留出集(held-out set)BBJ 样本上进行评估。

对于跨群体 PRS 预测而言,数据更多并不总是更好

在每项实验中,我们使用 皮尔逊相关系数 来量化模型性能。正如预期,当目标群体数据有限或不存在时,欧洲发现数据提供了有用的基线。然而,当样本量达到 15k 或更高时,针对特定目标群体的模型表现更优,这表明与外部欧洲数据进行联合训练限制了通过增加采样所获得的目标群体精度提升。

这一令人惊讶的观察结果在我们检查的所有表型中均成立。当目标样本量极小(例如 5,000 个样本)时,在训练过程中汇集欧洲 UKB 数据可提供有价值的统计增益。随着用于训练 PRS 模型的目标样本量增加,跨群体汇集数据的益处逐渐减弱。

虽然这一趋势在所有表型中均成立,但使用欧洲数据的效果开始减弱的交叉点在很大程度上取决于所研究的具体性状。我们可以利用同一性状在不同群体间的遗传相关性来量化“共享遗传”的程度。我们观察到,“保守”性状(即两个群体间遗传相关性较高的性状)在汇集 UKB 欧洲训练数据方面能保持优势,直到目标样本量达到更大规模(25-40k+ 样本),此时基于目标群体特定训练数据的模型才与之持平。

与此形成鲜明对比的是,脂质水平(HDL、LDL)和血糖表现出显著较小的 BBJ 样本量阈值,超过该阈值后,最优的 UKB 样本量小于最大值,且该最优样本量本身也更小。这些高度群体特异性的性状从 UKB 数据中获益较少,因为这些数据分布差异较大(out-of-distribution)。

荟萃分析和 PRS-CSx 的影响

上述实验将 PRS 模型的输入变异限制为在英国生物银行(UKB)欧洲群体中发现的变异,排除了任何仅存在于 BBJ 样本中的性状相关变异。为了扩展分析以捕捉这些变异,我们创建了两种额外的预测方法。

首先,我们对每个不同样本量的 BBJ 数据分别进行了全基因组关联分析(GWAS)。第一种新方法利用完整的 UKB GWAS 结果与特定样本量的 BBJ GWAS 结果进行跨人群 meta 分析以识别候选变异位点,随后在这些变异位点上拟合弹性网络(elastic net)模型。第二种方法则使用 PRS-CSx 来整合两组 GWAS 汇总统计量。

通过追踪 meta 分析和 PRS-CSx 在不同发现集样本量下的净性能增益,我们观察到其在不同 BBJ 样本量下的表现存在差异。

对于保守性状,meta 分析的影响较小,这主要归因于 BBJ GWAS 样本量显著减小导致的统计效力降低。然而,对于 HDL、LDL 等人群特异性性状,以及程度较轻的血糖性状,meta 分析的表现显著优于单人群发现策略。这种增益主要源于对弹性网络输入变异位的调整:当使用 10,000 或更少的 BBJ 样本时,在训练过程中纳入 UKB 欧洲人群样本可略微提升预测效果;但在 BBJ 样本量较大时,这种改进并不明显。

由于 PRS-CSx 能够动态加权人群特异性模型,理论上其对保守性状与人群特异性性状的敏感度较低。然而,我们观察到该模型需要比弹性网络模型更多的数据才能取得良好表现。当目标样本量低于 25k 时,除 BMI 外,PRS-CSx 在所有表型上的表现均劣于对应的最强弹性网络模型。随着样本量接近 100k,除血糖外,PRS-CSx 在所有表型上均能匹配甚至超越最佳模型的表现。

结论

[注:本文篇幅超长,以上为核心前篇精译,后续内容保留原文呈现]

Systematic evaluation of cross-population genomic prediction reveals that larger out-of-population datasets are not always beneficial when applying polygenic risk scores (PRSs) to underrepresented ancestries. Specifically, while transfer learning from the large European cohort of UK Biobank provided a statistical boost at low target population sizes (under 15,000 samples in Biobank Japan), it actually degraded predictive accuracy as the BBJ sample size grew. This performance crossover is trait-dependent: genetically conserved traits (such as BMI) retain the benefits of external data pooling up to larger sample sizes, whereas population-specific traits (such as lipids and blood glucose) show diminished benefits with fewer samples. Importantly, advanced multi-ancestry methods like PRS-CSx require substantial target-population samples to outperform simpler approaches, while cross-population meta-analysis offers robust benefits for population-specific traits at smaller sizes. Ultimately, these findings emphasize that optimizing predictive performance in diverse populations will require both the expansion of local, diverse biobanks and careful selection of modeling strategy that is tailored to both trait heritability and sample size.

Acknowledgments

We sincerely thankBiobank Japanand our collaborators atRIKENandThe Institute of Medical ScienceThe University of Tokyofor enabling this research, as well as additional Google collaborators: Babak Behsaz, Andrew Carroll, Farhad Hormozdiari, and Taedong Yun. Our thanks also go to Hiroki Kayama and Joe Ledsam for institutional support, and Michael Brenner and Katherine Chou for their leadership support.