1 / 31

Riskidest ja prognoosimisest TÜ Eesti Geenivaramu kohordi põhjal

Riskidest ja prognoosimisest TÜ Eesti Geenivaramu kohordi põhjal. Krista Fischer , TÜ Eesti Geenivaramu Kristi Läll, TÜ Matemaatilise Statistika Instituut (magistrant). TÜ Eesti Geenivaramu geenidoonorid: suurim epidemioloogiline kohort Eestis.

nen
Download Presentation

Riskidest ja prognoosimisest TÜ Eesti Geenivaramu kohordi põhjal

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Riskidest ja prognoosimisest TÜ Eesti Geenivaramu kohordi põhjal Krista Fischer, TÜ Eesti Geenivaramu Kristi Läll, TÜ Matemaatilise Statistika Instituut (magistrant)

  2. TÜ Eesti Geenivaramu geenidoonorid: suurim epidemioloogiline kohort Eestis • Üle 51000 geenidoonori vanuses 18-103 liitunud aastatel 2002-2011 • Ligikaudu 5% Eesti täiskasvanud elanikkonnast! • Põhjalik küsimustik, terviseandmed, registritest lisanduvad andmed… • Geeniandmed umbes 14000 indiviidi kohta

  3. Geenidoonoritelt geenivaramule… ja teaduse, meditsiini, rahvatervise arengule • Tänu suurele hulgale vabatahtlikele geenidoonoritele on tekkinud unikaalne andmebaas rahva tervise ja riskide uurimiseks • Osalus suurtes rahvusvahelistes uuringurühmades, otsimaks seoseid genotüübi ja terviseriskide (vm inimese “fenotüübiandmete” vahel)

  4. Ülegenoomsed assotsiatsiooniuuringud (GWAS)

  5. Geenivaramult geenidoonoritele • Tänu geenidoonorite andmete põhjal saadud uutele teadmistele on võimalik parandada haiguste diagnoosimist ja ravi tulevikus • TÜ Eesti Geenivaramu plaanib anda geenidoonoritele personaalset tagasisidet geneetiliste riskide kohta (alates aastast 2013)

  6. Tagasiside andmise probleem statistiku pilgu läbi …

  7. Slaidi autor: Märt Möls

  8. Slaidi autor: Märt Möls

  9. Slaidi autor: Märt Möls

  10. Slaidi autor: Märt Möls

  11. Slaidi autor: Märt Möls

  12. Slaidi autor: Märt Möls

  13. Slaidi autor: Märt Möls

  14. Slaidi autor: Märt Möls

  15.    Mida talle öelda?     

  16. Kuidas ja millist tagasisidet saame anda? • Selged geneetilised riskid: harvad haigused (nn mendeliaansed haigused) mis on põhjustatud harvaesinevate geneetiliste mutatsioonide poolt • Geenidoonorite DNA genotüpiseerimisel kasutatakse ülegenoomseid kiipe, mille abil määratakse vaid sagedasi (enam kui 1% indiviididest esinevaid) mutatsioone: enim kasutatud kiip (IlluminaOmniExpress) määrab üle 700000 markeri • Harvade mendeliaansete haiguste kohta Geenivaramu enamasti tagasisidet anda ei saa

  17. Tagasiside tavaliste haiguste riskide kohta? • Enamik haiguseid (jm fenotüüpe) on kompleksse taustaga: haiguseriskiga on seotud paljud teadaolevad markerid üle genoomi, kuid enamasti on veelgi suurem mõju keskkonnateguritel

  18. Näide: Hüpertensioon(kõrgvererõhutõbi) Geenivaramu andmebaasis Definitsioon: • Andmebaasi sisestatud diagnoos (ICD10 diagnoosid I10-I15) • Kõrgenenud vererõhk andmekogumise hetkel: SBP>140mmHg või DBP>90mmHg Kokku 37,8% (19127) geenidoonoritest vastavad kas ühele või teisele kriteeriumile

  19. Hüpertensiooni levimus sõltuvalt soost ja vanusest Geenivaramu andmebaasis

  20. Peamised hüpertensiooni riskitegurid • Kehakaal, kehamassiindeks • Suitsetamine • Geneetika: tuvastatud ligi 30 sõltumatut markerit (SNP-i)

  21. Geneetilised riskitegurid

  22. Geneetilised riskitegurid

  23. Kui hästi saame prognoosida geneetilisi riske? Kuidas mõõta prognoosi headust? Logistilises regressioonimudelis: • Geneetilise riskiskoori (arvutatud 29 markeri põhjal) mõju hüpertensiooni olemasolule, mudelis, mis arvestab soo, vanuse ja kehamassiindeksiga: Beta=0.2 (OR=1.2), p-väärtus = 2.3*10-6 1 standardhälbe kohta (valimi suurus selle hindamiseks: 4164) On see hea?

  24. Hüpertensiooni levimus sõltuvalt riskiteguritest: naised BMI – kehamassiindeks Geneetiline risk: Madal: riskiskoor alumise 5% seas Kõrge: riskiskoor ülemise 5% seas Riskiskoori efekt hinnatud publitseeritud andmete põhjal (1 SD-le vastav efekt on OR=1.23)

  25. Hüpertensiooni levimus sõltuvalt riskiteguritest: mehed

  26. Kui palju lisavad geenid prognoosile? • ROC-kõver (must: ilma geeniandmeteta, punane: geeniandmed lisatud) Geeniandmed ei annagi uut infot? … sest vanuse, soo ja kehamassiindeksi mõju on lihtsalt niivõrd tugev

  27. Reklassifitseerimise indeksid (NRI) põhinevad sellistel tabelitel: Haiged: Terved: Prognoosikategooria paranes 81 haigel, 62 tervel, halvenes 61 haigel ja 49 tervel – kokku muutus korrektsemaks 20 haigel ja 13 tervel (0.79% indiviididest). NRI= 0.016

  28. Kas tõesti pole geenidest eriti kasu? • Vaatame indiviide vanuses 40 kuni 49 • Kehamassiindeks (BMI) 25 kuni 30 (kerge ülekaal) • Hüpertensiooni levimus vastavalt geneetilise riskiskoori kvantiilidele: Kui muud riskitegurid sarnased, on siiski geenidel oluline roll

  29. Pigem on siiski kõige informatiivsem kujutada riske graafiliselt: Nt 165 cm pikal naisterahval on BMI=25, kui ta kaalub 68 kg ja BMI=30, kui ta kaalub 82 kg Geneetiline riskiskoor võib seega tema riski mõjutada umbes samas ulatuses kui 14-kilone kaalutõus (või – langus)

  30. Pigem on siiski kõige informatiivsem kujutada riske graafiliselt: Oled siin 

  31. Kokkuvõte: statistilised probleemid geneetilise tagasiside andmisel • Kuidas tõlkida statistilise mudeli parameetrid reaalsete riskide keelde? • Kuidas hinnata adekvaatselt riski hinnangute (prognooside) headust ja geneetika rolli muude riskitegurite kõrval?

More Related