Ялаев Булат Илдусович, к.б.н.
117292, г. Москва, ул. Дмитрия Ульянова, д. 11
Yalaev B. Ildusovich, PhD
11 Dmitriya Ulyanov str., Moscow, 117292
Новиков Андрей Викторович
Москва
Novikov A. Viktorovich
Moscow
Минниахметов Илдар Рамилевич, к.б.н.
Москва
Minniakhmetov I. Ramilevich, PhD
Moscow
Хусаинова Рита Игоревна, д.б.н., проф.
Москва;
Уфа
Khusainova R. Igorevna, PhD, professor
Moscow;
Ufa
ОБОСНОВАНИЕ. Остеопороз является распространенным возраст-зависимым заболеванием с инвалидизирующими последствиями, ранняя диагностика которого осложнена ввиду длительного и скрытого течения, что зачастую приводит к постановке диагноза только после случая перелома. В этой связи большие надежды возлагаются на передовые разработки в области технологий машинного обучения, направленные на прогнозирование остеопороза на ранней стадии развития, в том числе с применением больших массивов данных, содержащих информацию о генетических и клинических предикторах заболевания. Тем не менее включение ДНК-маркеров в модели прогнозирования сопряжено с рядом трудностей, связанных со сложной полигенной и гетерогенной природой заболевания. На данный момент прогностическая сила нейросетевых моделей недостаточна для их внедрения в современные протоколы диагностики остеопороза. Исследования в этой области единичны, но являются широко востребованными, поскольку их результаты представляют огромную значимость для профилактической медицины. Это приводит к необходимости поиска наиболее эффективных подходов машинного обучения и оптимизации отбора генетических маркеров в качестве входных параметров в нейросетевые модели.ЦЕЛЬ: оценить эффективность машинного обучения и нейросетевого анализа для разработки прогностических моделей риска развития остеопороза на основе клинических предикторов и ДНК-маркеров остеопоротических переломов.МАТЕРИАЛЫ И МЕТОДЫ. Прогностические модели обучены с использованием данных генотипов по 152 полиморфных ДНК-локусов и клинических параметров 701 женщины и 501 мужчины из Волго-Уральского региона России. В качестве входных параметров в модели включены антропометрические показатели, данные о гендерной принадлежности, уровне минеральной плотности костной ткани (МПКТ), а также результаты генотипирования полиморфных локусов генов-кандидатов и локусов репликации полногеномного поиска ассоциаций (GWAS) консорциума GEFOS.РЕЗУЛЬТАТЫ. Установлено, что наиболее высокой эффективности (AUC=0,81 для мужчин и AUC=0,82 для женщин на независимом датасете (англ. dataset — обработанный и структурированный массив данных) достигает модель прогнозирования низкого уровня минеральной плотности костной ткани, в которую вошли 6 полиморфных вариантов гена остеопротегерина (OPG) (rs2073618, rs2073617, rs7844539, rs3102735, rs3134069) и 5 полиморфных вариантов сайтов связывания микроРНК в мРНК таргетных генов, участвующих в костном метаболизме (COL11A1 — rs1031820, FGF2 — rs6854081, miR-146 — rs2910164, ZNF239 — rs10793442, SPARC — rs1054204 и VDR — rs11540149).ЗАКЛЮЧЕНИЕ. Результаты подтверждают перспективность применения машинного обучения для прогнозирования риска развития остеопороза на доклинической стадии заболевания на основе анализа клинических и генетических факторов.
BACKGROUND: Osteoporosis is a common age-related disease with disabling consequences, the early diagnosis of which is difficult due to its long and hidden course, which often leads to diagnosis only after a fracture. In this regard, great expectations are placed on advanced developments in machine learning technologies aimed at predicting osteoporosis at an early stage of development, including the use of large data sets containing information on genetic and clinical predictors of the disease. Nevertheless, the inclusion of DNA markers in prediction models is fraught with a number of difficulties due to the complex polygenic and heterogeneous nature of the disease. Currently, the predictive power of neural network models is insufficient for their incorporation into modern osteoporosis diagnostic protocols. Studies in this area are sporadic, but are widely demanded, as their results are of great importance for preventive medicine. This leads to the need to search for the most effective machine learning approaches and optimise the selection of genetic markers as input parameters to neural network models.AIM: to evaluate the effectiveness of machine learning and neural network analysis to develop predictive risk models for osteoporosis based on clinical predictors and genetic markers of osteoporetic fractures.MATERIALS AND METHODS: The predictive models were trained using a database of genotyping and clinical characteristics of 701 women and 501 men living in the Volga-Ural region of Russia. Anthropometric parameters, data on gender, bone mineral density level, and the results of genotyping of 152 polymorphic loci of candidate genes and replication loci of the GEFOS consortium’s full genome-wide association search were included as input parameters.RESULTS: It was found that the model for predicting low bone mineral density, including 6 polymorphic variants of the OPG gene (rs2073618, rs2073617, rs7844539, rs3102735, rs3134069) and 5 polymorphic variants of microRNA binding sites in the mRNA of genes involved in bone metabolism (COL11A1 — rs1031820, FGF2 — rs6854081, miR-146 — rs2910164, ZNF239 — rs10793442, SPARC — rs1054204 and VDR — rs11540149) (AUC=0.81 for men and AUC=0.82 for women).CONCLUSION: The results confirm the promising application of machine learning to predict the risk of osteoporosis at the preclinical stage of the disease based on the analysis of clinical and genetic factors.
The authors declare that there are no conflicts of interest present.