整合素亚基alpha 2基因多态性与冠状动脉慢性闭塞病变易感性及疾病预测模型研究
吕桐巍1
张竞予1
阚通1
侯攀2
李攀1
郭志福1
1.200433 上海市,中国人民解放军海军军医大学第一附属医院心内科2.中国人民解放军中部战区总医院心内科
摘要：目的 探讨整合素亚基alpha2(ITGA2)基因单核苷酸多态性(SNPs)与冠状动脉慢性闭塞病变(CTO)易感性之间的关联,并根据危险因素建立并优化CTO发生风险预测模型.方法 本研究采用单中心回顾性病例对照设计,依据慢性冠状动脉完全闭塞性病变学术研究联合会共识(CTO-ARC)及日本CTO介入专家共识(J-CTO≥2分)于2024年8月1日至12月1日期间在中国人民解放军海军军医大学第一附属医院筛选病例组(n=264),对照组(n=236)经计算机辅助的定量分析法(QCA)严格排除动脉粥样硬化(狭窄＜20％+钙化积分＜100).全队列排除活动性感染、恶性肿瘤、免疫疾病及急性血管病变.通过PCR和基因分型技术,对选定的ITGA2基因SNPs rs35235进行分析,并利用R语言4.2.2进行统计分析,评估不同基因型与CTO病变风险的相关性.并使用支持向量机(SVM),梯度提升机(GBM),随机森林(RF)等9种机器学习算法建立并优化CTO发生风险预测模型.结果 ITGA2基因SNPs rs35235位点的TT基因型为罹患CTO病变的保护因素(OR=0.33,95％CI 0.16～0.66).ROC曲线分析显示,SNPs基因型结合传统危险因素的预测效能(AUCl=0.84)与单独传统危险因素的预测效能(AUC2=0.826)相比有提高,差异具有统计学意义(P=0.028).逻辑回归、SVM、GBM、神经网络(NN)、Xgboost、K-近邻(KNN)、LightGBM、Catboost、RF 9种机器学习算法建立的 CTO 风险预测模型 AUC 值分别为 0.845、0.803、0.950、0.879、0.867、0.948、0.932、0.926、0.908,且在GBM算法预测模型中排名前七的危险因素依次为:性别、低密度脂蛋白、总胆固醇、纤维蛋白原、SNPs基因型、患糖尿病、空腹血糖.结论 ITGA2基因的SNPs rs35235 TT基因型为罹患CTO病变的保护因素,为CTO病变的遗传学研究提供了新的视角.SNPs基因型作为遗传标记具有不受药物干预的影响的能力,为临床提供了一个更为稳定和可靠的风险预测指标,且GBM机器学习算法是最优拟合预测模型.
关键词：整合素亚基alpha 2单核苷酸多态性冠状动脉慢性闭塞病变风险预测模型
分类号：R54(心脏、血管（循环系）疾病)
论文发表日期：2025-06-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 490-496 )
英文信息