脳卒中患者におけるエピジェネティックな年齢加速を予測する機械学習近似

Machine Learning Approximations to Predict Epigenetic Age Acceleration in Stroke Patients.

抄録

年齢加速度（Age-A）は、幅広い健康転帰を予測できる有用なツールである。その推定にはDNAメチル化レベルを決定する必要があり、Age-Aは環境、ライフスタイル、血管危険因子（VRF）の影響を受けることが知られている。本研究の目的は、脳血管疾患（CVD）患者において、測定が容易なこれらの因子がAge-Aにどの程度寄与しているかを、様々な機械学習（ML）近似を用いて推定し、Age-Aを予測できるより利用しやすいモデルを見つけようとするものである。我々は、VRF、生活習慣、標的臓器障害に関する情報を持つ952人のCVD患者コホートを調査した。Hannumのエピジェネティッククロックを用いてAge-Aを推定し、Age-Aを予測するための6つの異なるモデル（従来の線形回帰モデル、4つのMLモデル（弾性ネット回帰（EN）、K-最近傍モデル、ランダムフォレストモデル、サポートベクターマシンモデル）、1つのディープラーニング近似モデル（多層パーセプトロン（MLP）モデル）をトレーニングした。最も成績の良かったモデルはENとMLPであったが、予測能力は控えめであった（それぞれR 0.358と0.378）。結論として、我々の結果は、Age-Aに対するこれらの要因の影響を支持するものであったが、その変動の大部分を説明するには不十分であった。

Age acceleration (Age-A) is a useful tool that is able to predict a broad range of health outcomes. It is necessary to determine DNA methylation levels to estimate it, and it is known that Age-A is influenced by environmental, lifestyle, and vascular risk factors (VRF). The aim of this study is to estimate the contribution of these easily measurable factors to Age-A in patients with cerebrovascular disease (CVD), using different machine learning (ML) approximations, and try to find a more accessible model able to predict Age-A. We studied a CVD cohort of 952 patients with information about VRF, lifestyle habits, and target organ damage. We estimated Age-A using Hannum's epigenetic clock, and trained six different models to predict Age-A: a conventional linear regression model, four ML models (elastic net regression (EN), K-Nearest neighbors, random forest, and support vector machine models), and one deep learning approximation (multilayer perceptron (MLP) model). The best-performing models were EN and MLP; although, the predictive capability was modest (R 0.358 and 0.378, respectively). In conclusion, our results support the influence of these factors on Age-A; although, they were not enough to explain most of its variability.