多基因风险分数 PRS( Polygenic risk score)系列之六：metaGRS介绍

目录

1. PRS回顾
2. 为什么要构建metaGRS
3. metaGRS构建方法
4. 总结
5. 参考

---

回顾

1. GWASLab：多基因风险分数 PRS( Polygenic risk score)系列之一：概念入门
2. GWASLab：多基因风险分数 PRS( Polygenic risk score)系列之二：使用PLINK计算PRS（C+T方法）
3. GWASLab：多基因风险分数 PRS( Polygenic risk score)系列之三：使用PRSice计算PRS（C+T方法）
4. ldpred2 （预留链接）
5. prs-cs（预留链接）

---

为什么要构建metaGRS

以往的PRS研究中，PRS模型通常以单一的GWAS概括性数据为基础进行计算，但此方法往往不能达到较高的预测能力，主要是因为

1. 有限的样本量
2. 目标表型较为显著的异质性
3. 对基因组覆盖的不完全
4. 基因定型与插补存在较大不确定性

等原因。

在存在上述问题的情况下使用单一PRS进行预测会降低准确度，为了解决以上描述的问题，Michael Inouye等人最早在冠状动脉疾病（CAD）的预测中，引入了metaGRS的概念，类似于meta分析，meGRS将多个GRS进行合并得到metaGRS，以提升其风险预测能力。

metaGRS构建方法

本文以 Abraham,G等人在2019年发表的论文为例，简要介绍metaGRS的构建方法：

第一步：常规的单一PRS的计算

第二步：使用弹性网络来构建metaGRS，具体步骤如下所示

例如，Abraham,G等人构建的对IS缺血性中风的metaGRS中，纳入了如下的GRS，包括了AS（所有中风），以及中风的各个亚型（IS, SVS, LAS, CES），以及各个中风的风险因子（例如血压，BMI，2型糖尿病，冠状动脉疾病等）的GRS

注：弹性网络 elastic net：

在损失函数中同时加入L1 （Lasso回顾）与L2（Ridge回归）的正则项：

该计算可以通过R包glmnet实现

https://cran.r-project.org/web/packages/glmnet/index.html

第三步：最后和单一PRS时一样，需要使用独立样本对metaGRS进行验证

---

总结

目前使用metaGRS的研究还比较少，且集中于特定的表型（CAD和IS），但可以预计随着PRS研究数量不断增加，在未来metaGRS的应用也会随之增加。

参考

Inouye, Michael, et al. “Genomic risk prediction of coronary artery disease in 480,000 adults: implications for primary prevention.” Journal of the American College of Cardiology 72.16 (2018): 1883-1893.

Abraham, G., Malik, R., Yonova-Doing, E. et al. Genomic risk score offers predictive performance comparable to clinical risk factors for ischaemic stroke. Nat Commun 10, 5819 (2019). https://doi.org/10.1038/s41467-019-13848-1

Friedman, Jerome, Trevor Hastie, and Rob Tibshirani. “glmnet: Lasso and elastic-net regularized generalized linear models.” R package version 1.4 (2009): 1-24.