張洪俠，郭 賀，王金霞，徐巖艷，呂 斌，閆 東，常 佳，胡光瑞，王 雪，李洪軍，劉天戟*，李燕林，趙志強，牛曉強

(1.吉林大學中日聯(lián)誼醫(yī)院，吉林 長春130033；2. 北京青梧桐健康科技有限公司)

近年來，我國糖尿病患病率逐年增加，研究表明我國成人糖尿病患病率目前為10.9%，其中新診斷糖尿病患病率6.9%，既往已知糖尿病患病率4.0%，40歲以下糖尿病患病率高達5.9%[1]，糖尿病發(fā)病年輕化趨勢嚴重，由糖尿病引發(fā)的心腦血管疾病的發(fā)病率也逐年提高，提前進行糖尿病患病風險的評估，對高危人群進行早期干預以降低糖尿病的發(fā)病率無疑是當前亟待解決的問題。

XGBoost是極端梯度上升( eXtreme Gradient Boosting)的簡稱，是一種基于梯度 Boosting 的集成學習算法，其原理是通過弱分類器的迭代計算實現(xiàn)準確的分類效果[2]。它是兼具線性模型和Boosted Tree模型的一種優(yōu)化模型 。XGBoost模型目前被機器學習、數(shù)據(jù)挖掘、統(tǒng)計學等專家廣泛應用于人工智能、數(shù)據(jù)分析和統(tǒng)計學習等領域[3]。影響糖尿病發(fā)生發(fā)展的因素有很多，如年齡、生活方式、肥胖、基因易感性等，本文結合人群體檢數(shù)據(jù)及基因檢測數(shù)據(jù)探討及評價應用XGBoost模型預測糖尿病患病風險。

1 對象和方法

1.1對象及分組

在我院體檢中心進行常規(guī)體檢的人員當中招募53名2型糖尿病患者和93名非糖尿病患者，年齡區(qū)間在18-65歲之間。本研究項目已經獲得醫(yī)院醫(yī)學倫理委員會批準，所有參與研究的志愿者均簽訂知情同意書。

1.2方法

1.2.1健康自測問卷 所有志愿者均填寫中華醫(yī)學會健康管理學分會推薦使用的《健康體檢自測問卷》[4]。

1.2.2體檢項目檢查 體檢項目包括內科、外科、血常規(guī)、尿常規(guī)、血糖、糖化血紅蛋白、血脂、肝功、腎功、心電、腹部超聲、胸片等項檢查，體檢項目在吉林大學中日聯(lián)誼醫(yī)院體檢中心、檢驗科、超聲科、放射科等進行。不同的志愿者體檢項目不完全相同，但是志愿者的體檢項目均有血糖和尿常規(guī)兩個檢測項目。

1.2.3糖尿病易感基因多態(tài)性檢測 單核苷酸多態(tài)性(Single Nucleotide Polymorphism,SNP) 是人類基因組中最常見的基因多態(tài)性，是繼RFLP,STR之后的第3代遺傳學標記。它是指單個堿基的缺失、插入以及單個堿基的置換。也就是一個堿基對的差異。常以二等位基因的形式出現(xiàn)。我們對所有志愿者進行糖尿病易感基因的基因多態(tài)性質譜檢測，基因質譜檢測在北京青梧桐健康科技有限公司進行，所選SNP是根據(jù)文獻得出(見表1)[5-8]。

表1 糖尿病患病風險檢測基因信息表

1.2.3.1基因組DNA提取 EDTA抗凝血0.2 ml，采用康為世紀的全基因組DNA提取試劑盒提取外周血DNA，紫外分光光度計檢測OD260/280，比值在1.6-1.8，表明樣品純度較高，可做后續(xù)實驗。

1.2.3.2PCR擴增及純化 從Pubmed中檢索待測基因序列，利用Assay Designer(Sequenom)軟件包對每個待測位點均設計1對引物(由北京青梧桐健康科技有限公司提供)。 PCR反應體系：所有需要檢測的DNA樣本均稀釋到10 ng/μl， 取1 μl DNA樣本，將其與1.8 μl ddH2O、0.5 μl PCR緩沖液(含20 mmol/L MgCl2)、0.1 μl 的25 mmol/L dNTP、0.4 μl 25 mmol/L MgCl2、1 μl PCR引物以及0.2 μl Hotstar 酶(Roche)混合在一起。PCR反應條件：95 ℃ 2 min；95 ℃ 30 sec，56 ℃ 20 sec，72 ℃ 60 sec，共45個循環(huán)；最終72℃ 5min。PCR擴增后，剩余的dNTP將被去磷酸消化掉，反應體系包括1.53 μl ddH2O、0.17 μl SAP緩沖液、0.3 Unit 堿性磷酸酶SAP(Agena Biosciencr)。該反應在37℃ 進行40 min， 然后85℃ 5 min使酶失活。

1.2.3.3待測位點的PEX反應 反應體系：0.94 μl 延伸引物(由北京青梧桐健康科技有限公司提供)、0.2 μl 10 X Gold緩沖液、0.2 μl 終止反應液、0.041 μl iPLEX酶(Sequenom)以及0.619 μl ddH2O。反應條件：94 ℃ 30 sec；94 ℃ 5 sec，52 ℃ 5 sec，80 ℃ 5 sec 5個循環(huán)，共40個循環(huán)；最終72℃ 3 min。在終止反應物中加入6 mg 陽離子交換樹脂(Sequenom)脫鹽，混合后加入16 μl ddH2O懸浮。

1.2.3.4樣本分析 使用MassARRAY Nanodispenser(Sequenom)將最終的分型產物點樣到一塊384孔的spectroCHIP (Sequenom)上，并用基質輔助激光解吸電離飛行時間質譜進行分析。最終結果由 MassARRAY RT軟件系統(tǒng)(版本號4.0)實時讀取，并由MassARRAY Typer軟件系統(tǒng)(版本號4.0)完成基因分型分析。

1.2.3.5等位基因判別 通過MALDI-TOF-MS檢測，各個引物及其PEX產物可形成2個(純合子)或3個(雜合子)信號峰，計算各個產物峰與相應的引物峰之間的m/z之差，得知所延伸的堿基的類型，可推斷該SNP位點的基因型。

1.2.4運用XGBoost模型建立糖尿病風險預測模型

1.2.4.1數(shù)據(jù)預處理 原始數(shù)據(jù)有699維的特征，部分特征列缺失數(shù)據(jù)嚴重，將數(shù)據(jù)缺失超過20%的特征列刪除，剩余92列。包含所有的SNP數(shù)據(jù)，年齡性別等個人信息，以及部分生化檢驗信息。數(shù)據(jù)中的缺失值全部填充為0。

1.2.4.2特征提取 我們對特征列做進一步處理，首先剔除姓名、登記號、體檢日期三個與體檢指標無關的特征列。剩余的特征中，我們只保留特征內容為數(shù)值型，而非字符型的特征列，總共得到61列。此外，我們還對SNP位點進行編碼，每個SNP位點有三種類型，因而對于每個SNP特征列，編碼后形成三個新的特征列。

1.2.4.3樣本劃分 我們隨機將數(shù)據(jù)劃分為訓練集和測試集，其中80%的樣本為訓練集，其余為測試集。

1.2.4.4機器學習建模 我們使用XGBoost模型來進行建模與預測。傳統(tǒng)GBDT在優(yōu)化時只用到一階導數(shù)信息，XGBoost則同時用到了一階和二階導數(shù)的信息。XGBoost在代價函數(shù)里加入了正則項，用于控制模型的復雜度。正則項降低了模型的方差，使學習出來的模型更加簡單，防止過擬合。XGBoost還借鑒了隨機森林列抽樣的做法，能降低過擬合。隨機森林的原理是隨機建立大量的分類樹，每棵樹單獨對樣本進行分類，最終分類結果由每棵樹各自的分類結果通過投票確定。隨機森林算法提高了分類的準確性，且結果穩(wěn)健，易于調整參數(shù)，但運行速度較慢。

1.3分析

1.3.1模型正確率的計算 我們采用準確率為指標來評價模型的預測效果，定義公式如下：正確率=預測正確的樣本數(shù)/總樣本數(shù)*100%。XGBoost模型預測得到的值為0-1之間的小數(shù)，將其二值化，0.5以上的定為1，0.5以下的設為0。二值化后預測值與實際值進行比較，計算正確率。

1.3.2特征重要性評估法 通過 XGBoost 建?？梢耘袛嗝總€特征變量對模型的貢獻程度，從而判斷哪些特征變量對于糖尿病的發(fā)病風險的影響更為顯著。以數(shù)字代號對應的體檢指標如表2所示。

2 結果

2.1模型正確率

根據(jù)公式運用測試集檢測，最后的正確率約為86.6%。

2.2特征重要性評估結果

圖1為XGBoost模型的特征重要性評估。其中，排在前16位的重要特征有15位都是體檢特征，如血糖、甘油三酯、紅細胞計數(shù)等。之后的重要特征以SNP為主。

表2 特征代號對應的體檢特征名稱

圖1 xgboost模型的特征重要性評估

3 討論

國內外糖尿病的發(fā)病風險模型很多，有建模方法為Logistic回歸模型的墨西哥后裔美國人和非西班牙白種人糖尿病發(fā)病預測模型、日籍美國人個體糖尿病發(fā)病風險預測模型、芬蘭人群DM個體危險評分模型；有建模方法為Cox回歸模型的適用于中國臺灣人的糖尿病風險評估模型；有建模方法為人工神經網(wǎng)絡的糖尿病和糖耐量受損的個體發(fā)病預測模型[9]，上述建模方法各有利弊。本文采用的XGBoost是一種 Gradient Boosting 算法的快速實現(xiàn)，它能夠充分利用多核 CPU 進行并行計算，同時在算法上進行改進以提高精度。

特征重要性評估結果顯示，對模型貢獻前三名的變量依次是空腹血糖、甘油三酯和SLC30A8基因rs13266634-C位點的等位基因。高血糖是糖尿病風險的最明顯的特征，眾多研究表明高甘油三酯血癥也與糖尿病發(fā)病密切相關[10]。SLC30A8基因，位于8號染色體(8q24)，是鋅轉運體蛋白8(ZnT-8)的編碼基因，能夠特異性地在胰島β細胞中表達。ZnT-8能促進鋅從胰島β細胞的胞漿進入含有胰島素的分泌顆粒，參與胰島素的分泌。如果SLC30A8基因變異致ZnT-8的結構和功能異常，就會使胰島素分泌減少、胰高糖素分泌增加，導致血糖增高。研究證實SLC30A8增加2型糖尿病易感性可能是通過影響胰島β細胞功能使其紊亂、影響ZnT-8蛋白的功能從而導致鋅離子濃度發(fā)生變化和致胰島β細胞對前胰島素加工障礙所介導的。近期國內多項研究表明SLC30A8基因CC基因型及等位基因C是2型糖尿病的風險因素[11,12]，與我們的XGBoost糖尿病風險預測模型一致。同時，應用測試集進行測試發(fā)現(xiàn)XGBoost糖尿病風險預測模型的準確度是86.6%，說明XGBoost糖尿病風險預測模型不但運算速度快，同時準確度也較高，對今后進一步臨床推廣具有現(xiàn)實意義。

另外，本研究的XGBoost糖尿病風險預測模型的特征重要性評估顯示：糖化血紅蛋白、年齡、總膽固醇分別排在第9位、第12位和第15位，說明高糖化血紅蛋白、高齡和高膽固醇血癥這三個變量對該模型的貢獻量較大，白細胞計數(shù)對模型的貢獻量排在第16位，考慮可能與糖尿病容易并發(fā)各種感染而引起的白細胞數(shù)增多有關。但對模型貢獻量排名前14的變量中還有紅細胞計數(shù)、紅細胞平均體積、紅細胞體積分布寬度、紅細胞平均血紅蛋白量、血小板平均體積、白蛋白、血小板計數(shù)、紅細胞平均血紅蛋白濃度、堿性磷酸酶，由于本研究樣本量不大，模型還需不斷優(yōu)化，因而這些變量對模型貢獻的機制還有待于進一步深入研究。

綜上所述，從模型的分類預測準確度方面來看，本研究搭建 XGBoost糖尿病風險預測模型是成功的，具有良好的穩(wěn)定性、較高的預測精度及運行的高效性，可以提前預警糖尿病風險，根據(jù)風險指標可給予精準健康干預，模型具有很強的可操作性和推廣性。本研究數(shù)據(jù)樣本量有限，后續(xù)研究中將逐漸擴大樣本量以建立預測效果更為準確的XGBoost模型。

[1]Wang L,Gao P,Zhang M,et al. Prevalence and ethnic pattern of diabetes and prediabetes in China in 2013 [J].JAMA,2017，317(24):2515.

[2]Chen T Q ,Guestrin C.XGBoost:A scalable tree boosting system[C]//ACM．Proceedings of the 22nd ACM SIGKDD.International Conference on Knowledge Discovery and Data Mining.New York:ACM,2016:785-794．

[3]賈文慧，孫林子，景英川.基于XGBoost模型的股骨頸骨折手術預后質量評分預測[J].太原理工大學學報，2018,49(1)：174.

[4]中華醫(yī)學會健康管理學分會，中華健康管理學雜志編委會.健康體檢基本項目專家共識[J].中華健康管理學雜志，2014,8(2)：81.

[5]Wu Y,Li H,Loos RJ,et al.Common variants in CDKAL1,CDKN2A/B,IGF2BP2,SLC30A8,and HHEX/IDE genes are associated with type 2 diabetes and impaired fasting glucose in a Chinese Han population[J].Diabetes,2008,57(10):2834.

[6]Ruchat SM,Vohl MC,Weisnagel SJ,et al.Combining genetic markers and clinical risk factors improves the risk assessment of impaired glucose metabolism[J].Ann Med,2010,42(3):196.

[7]Li H,Gan W,Lu L,et al.A genome-wide association study identifies GRK5 and RASGRP1 as type 2 diabetes loci in Chinese Hans[J].Diabetes,2013,62(1):291.

[8]Fuchsberger C,Flannick J,Teslovich TM,et al.The genetic architecture of type 2 diabetes[J].Nature，2016,536(7614):41.

[9]錢 玲，施侶元，程茂金.人工神經網(wǎng)絡應用于糖尿病并發(fā)癥的影響因素研究[J].現(xiàn)代預防醫(yī)學,2005,32(12):1625.

[10]Weijers RN.Lipid composition of cell membranes and its relevance in type 2 diabetes mellitus[J].Curr DiabeteS Rev,2015,8(5)：390.

[11]劉 陽，王占友，池志宏,等.SLC30A8基因rs13266634 C/T單核有酸多態(tài)性與2型糖尿病易感性的相關性研究[J].中國醫(yī)科大學學報，2015，44(6)：494.

[12]張淑蘭,劉 靜,郭陸晉,等.SLC30A8基因rs13266634多態(tài)性與甘肅漢族、回族2型糖尿病的相關性[J].中國老年學雜志，2015,35(4)：898.