Nature Genetics
疾病风险预测新突破：EHR与PGS互补性研究

小赛推荐：

本研究系统评估了基于电子健康记录（EHR）的表型风险评分（PheRS）在跨生物样本库中的泛化能力，并与多基因风险评分（PGS）进行比较，揭示两者在疾病风险预测中的互补作用，为精准医疗提供新思路。

 

文献概述
本文《Cross-biobank generalizability and accuracy of electronic health record-based predictors compared to polygenic scores》，发表于《Nature Genetics》杂志，回顾并总结了电子健康记录（EHR）与多基因风险评分（PGS）在13种常见疾病预测中的应用及其跨研究泛化能力。文章基于三个大型生物样本库（FinnGen、UKB和EstB）的数据，系统评估了PheRS模型在不同人群中的稳定性及其与PGS模型的互补性，研究结果为整合临床和遗传信息用于疾病风险预测提供了理论支持。

背景知识
近年来，精准医疗的发展推动了EHR和基因组数据在疾病风险预测中的广泛应用。PGS通过整合全基因组变异信息预测个体的遗传易感性，已在心血管疾病、糖尿病等研究中取得一定成果；而PheRS则利用EHR中的诊断编码信息，构建表型风险评分。尽管PGS具有较高的遗传稳定性，但其在不同族群中的泛化能力有限，可能加剧健康不平等。而PheRS作为新兴的表型预测工具，其是否能在不同医疗系统中保持一致性，以及与PGS的协同作用，尚缺乏系统性验证。本研究填补了这一空白，为未来整合多组学与临床数据提供参考。

 

提供标准化的小鼠表型分析服务，涵盖行为学、生理生化、病理学、基因与蛋白表达、代谢分析和细胞功能检测等，支持多种疾病模型的机制研究与药物评估。

了解更多

 

研究方法与实验
研究纳入了845,929名年龄在32–70岁之间的个体，来自三个大型生物样本库（FinnGen、UKB和EstB），使用弹性网络（elastic net）回归模型构建PheRS以预测13种常见疾病的发病风险。模型训练基于1999年至2009年间的phecode（疾病编码）数据，并在2011年至2018年间进行验证。PheRS与PGS的关联性通过Cox比例风险模型进行评估，并在不同模型中加入年龄、性别、教育水平和 Charlson合并症指数进行校正，以评估其独立预测能力。

关键结论与观点

• PheRS在所有13种疾病中均与疾病风险显著相关，其中痛风、T2D和肺癌的HR（风险比）超过1.46。
• 在多数疾病中，PheRS在不同研究间泛化能力良好，无需重新训练即可跨队列应用。
• PGS与PheRS相关性极低（Pearson’s r = 0.02），表明两者捕捉的信息基本独立。
• 在8/13的疾病中，PheRS与PGS联合模型显著优于单独PGS模型，提示其互补性。
• 研究还发现，PheRS在年轻人群中的预测能力更强，提示其在早期疾病筛查中的潜力。

研究意义与展望
本研究首次系统评估了EHR表型评分在不同人群中的泛化能力及其与PGS的互补性，为整合临床与遗传信息进行疾病风险预测提供了实证支持。未来可进一步探索EHR评分在非欧洲人群中的表现，以及结合其他组学数据（如蛋白质组、代谢组）以提升预测精度。

 

提供多种代谢相关疾病小鼠模型，包括肥胖、糖尿病、非酒精性脂肪肝等，支持基因功能研究、药物筛选及药效评价，适用于代谢紊乱及心血管疾病研究。

了解更多

 

结语
本研究系统比较了基于电子健康记录的表型风险评分（PheRS）与多基因风险评分（PGS）在13种常见疾病中的预测表现，发现两者在疾病风险预测中具有良好的独立性和互补性。PheRS在不同生物样本库中表现出高度泛化能力，尤其在痛风、T2D、肺癌等疾病中表现突出。研究结果强调，EHR数据可作为遗传数据的有力补充，为精准医疗中的风险评估和早期干预提供新的工具。

 

Kira E Detrois, Tuomo Hartonen, Maris Teder-Laving, Samuli Ripatti, and Andrea Ganna. Cross-biobank generalizability and accuracy of electronic health record-based predictors compared to polygenic scores. Nature Genetics.