这项研究由宾夕法尼亚州立大学的研究人员领导，利用从幼儿收集的数据，使用新的统计方法来建立评分标准。这项研究还表明，通过长期收集综合数据并结合强大的统计工具，可以从比典型基因研究小几个数量级的研究中获得可靠的结果。

宾夕法尼亚州立大学生物学助理研究教授萨拉·克雷格(Sarah Craig)说:“在美国，大约18%的儿童肥胖，6%严重肥胖。”“如果我们能识别出风险最大的儿童，我们可能就能从一开始就防止肥胖的发展。”在这项研究中，我们建立了基于遗传信息的风险评分，临床医生可以潜在地利用这些信息来确定哪些幼儿将从干预策略中受益最大。”

这项研究是一个更大的项目INSIGHT(干预护士让婴儿在健康的轨道上成长)的一部分，该项目由宾夕法尼亚州立大学健康米尔顿·s·赫尔希医疗中心协调，在这项研究中，研究人员和临床医生共同努力，确定肥胖的生物和社会风险因素，以及儿童早期响应性父母干预的影响。研究团队收集了近300名儿童的纵向数据——从出生到三岁期间，定期收集8次数据，包括体重、身高、行为和环境变量。他们还从每个孩子身上采集了血样进行基因分析，作为风险评分的基础。该团队在《计量经济学与统计学》杂志上发表了他们的研究结果。

这些风险评分——被称为“多基因风险评分”，因为它们是基于基因组中的许多遗传位置——将大量的遗传信息提炼成一个易于掌握的数字。通常情况下，这些分数包含了来自多个单核苷酸多态性(SNPs)的信息，或基因组中DNA字母在不同人群中的位置，这些位置与兴趣指标(在本例中是生长速度和肥胖)最相关。

宾夕法尼亚州立大学生物学教授Kateryna Makova和生命科学教授Verne M. Willaman说:“以前的肥胖多基因风险评分的尝试是使用来自成年人或年龄更大的儿童的遗传信息，包括从1亿到200万个SNPs。”“如此高的数字对持续复制具有挑战性，而且可能非常昂贵，尤其是在临床环境中。我们制作了两个单核苷酸多态性少得多的得分选项——一个有24个，一个有5个——尽管如此，仍然可以为研究人员和临床医生提供有价值的信息。”

该研究小组使用了一种新的统计技术，这种技术来自功能数据分析领域，以确定与肥胖最相关的SNPs，然后将其纳入得分中。“与许多基因研究,收集数据在一个测量,比如身体质量指数(BMI,和在一个点的时候,我们利用纵向数据随着时间的推移,“弗朗西斯卡Chiaromonte说,统计数据统计和哈克椅子教授在宾夕法尼亚州立大学生命科学。“随着时间的推移，对体重和身高的几项测量得出了每个孩子的生长曲线，我们可以使用功能数据分析来分析我们队列中孩子的曲线形状。我们在分析的每一步都利用了这些更丰富的数据。”

基因数据产生了数百万个需要分析的SNPs，研究小组使用了几种技术来缩小范围，找出与生长曲线和肥胖测量最相关的SNPs。

“我们第一次评估每个SNP单独的影响与肥胖相关的措施,来消除那些显然是不相关的,”安娜肯尼说,研究生在宾夕法尼亚州立大学统计数据的研究,现在加州大学的博士后研究员。“一些研究选择止步于这一步，但我们进一步缩小了范围，同时观察了所有剩余的snp，并排除了那些在与其他研究一起考虑时似乎没有影响的snp。”

这一过程产生了24个SNPs，研究人员将其纳入多基因风险评分。基于生长曲线建立的分数，也被证明与其他更常用的测量方法有关;有条件体重增加(前6个月的体重增加变化)的儿童和婴儿体重迅速增加(婴儿体重迅速增加是日后肥胖的一个预测因素)的儿童的体重增加率更高。

研究小组进一步将范围缩小到五个最“稳定”的单核苷酸多态性——这些单核苷酸多态性即使在干扰数据时也有最大的影响。从这5个SNPS中，他们产生了第二个分数，可以作为一个更简单的选择。

宾夕法尼亚州立大学统计学副教授马修·莱默尔(Matthew Reimherr)说:“尽管使用24个snp的评分比使用5个snp的评分更有效，但我们验证了这两个都是衡量肥胖风险的有用方法，我们相信任何一个都可以用于临床。”“一个需要更少的snp进行鉴定的分数应该会使临床更容易产生。”

值得注意的是，这项研究中产生的分数也预测了年龄较大的儿童和成年人的肥胖，研究团队使用公开的数据集验证了这一点。然而，在这项研究中，基于成人肥胖信息的其他研究得出的分数并没有转化到幼儿身上。

宾夕法尼亚州立医学院(Penn State College of Medicine)的儿科和公共健康科学教授伊恩·保罗(Ian Paul)说:“这表明，我们在幼儿时期看到的与肥胖相关的基因信号，在整个生命过程中都至关重要。”“然而，随着人们年龄的增长，他们开始表现出基因组成的其他部分。基于早期信号的得分似乎在一个人的一生中都更加稳健。这突出表明，需要开展更多的研究，着重于识别幼儿的风险和预防肥胖，特别是在怀孕后的‘头1000天’和出生后的头两年。”

这项研究还表明，深度刻画个体特征并利用功能数据分析技术的小型研究可以成为典型的大规模基因研究的有力替代。

“这些技术可以用更少的资源打开小型实验室的大门，”克雷格说。“通过仔细和严格地工作，从更有针对性的队列中收集纵向数据，并使用强大的统计技术，你仍然可以通过一项比典型的GWAS研究小一个数量级的研究，找到有用的信息。”

除了Craig、Makova、Chiaromonte、Kenney、Reimherr和Paul，研究团队还包括宾夕法尼亚州立大学研究助理Junli Lin;佐治亚大学(University of Georgia)已故食品与营养学教授莉安·伯奇(Leann Birch)曾帮助领导INSIGHT;宾夕法尼亚州立大学(Penn State)儿童肥胖研究中心主任、营养科学副教授珍妮弗·萨维奇(Jennifer Savage);以及宾夕法尼亚州立大学儿童肥胖研究中心的研究技术专家和统计学家米歇尔·马里尼。

这项工作得到国家糖尿病、消化和肾脏疾病研究所(NIDDK)的支持;宾夕法尼亚州立大学埃伯利理学院;宾夕法尼亚州立大学计算和数据科学研究所;宾夕法尼亚州立大学哈克生命科学学院;宾夕法尼亚卫生部使用烟草治疗基金国家科学基金会提供了额外的支持。

Journal Reference:

1. Sarah J.C. Craig, Ana M. Kenney, Junli Lin, Ian M. Paul, Leann L. Birch, Jennifer S. Savage, Michele E. Marini, Francesca Chiaromonte, Matthew L. Reimherr, Kateryna D. Makova. Constructing a polygenic risk score for childhood obesity using functional data analysis. Econometrics and Statistics, 2021; DOI: 10.1016/j.ecosta.2021.10.014