Frühe Vorhersage von Wachstumsmustern nach pädiatrischer Nierentransplantation basierend auf größenassoziierten Einzelnukleotid-Polymorphismen
Hintergrund
Wachstumsretardierung ist eine häufige Komplikation der chronischen Nierenerkrankung (CKD) bei Kindern. Obwohl eine Nierentransplantation das Wachstum teilweise verbessern kann, variieren die individuellen Reaktionen erheblich. Die Identifizierung von Faktoren, die posttransplantäre Wachstumsmuster beeinflussen, ist entscheidend für die Optimierung klinischer Maßnahmen wie Wachstumshormontherapie, Glukokortikoidreduktion und Ernährungssupplementierung. Diese Studie zielte darauf ab, ein prädiktives Modell für Wachstumsverläufe bei Kindern mit terminaler Niereninsuffizienz (ESRD) nach Nierentransplantation unter Verwendung maschineller Lernverfahren und genomischer sowie klinischer Variablen zu entwickeln.
Material und Methoden
In die Studie wurden 110 Kinder eingeschlossen, die zwischen Mai 2013 und September 2021 an der First Affiliated Hospital of Zhengzhou University transplantiert wurden. Für diese Kohorte wurde eine Whole-Exom-Sequenzierung (WES) durchgeführt; zusätzlich dienten 39 von Oktober 2021 bis März 2022 transplantierte Kinder zur externen Validierung. Es wurden 729 größenassoziierte SNPs in Exonregionen, identifiziert aus früheren GWAS-Studien, analysiert. Sieben Algorithmen des maschinellen Lernens (logistische Regression, Random Forest, Ridge-Regression, Elastic Net, LASSO, XGBoost, SVM, GBDT) kamen zum Einsatz. Die Klassifizierung erfolgte basierend auf der Änderung des Height-for-Age-Z-Scores (HAZ) ein Jahr nach Transplantation: Kinder mit ΔHAZ ≥0,5 wurden der Catch-up-Growth-Gruppe (CG) zugeordnet, solche mit ΔHAZ <0,5 der Non-Catch-up-Growth-Gruppe (non-CG).
Ergebnisse
In der univariaten Analyse erwiesen sich das Alter sowie 19 SNPs als signifikante Prädiktoren. Das Random-Forest-Modell zeigte die beste Leistung mit einer Genauigkeit von 0,8125 und einer AUC von 0,924 im Validierungsset. In der externen Kohorte erreichte es eine Genauigkeit von 0,7949 (AUC 0,796). Die CG-Gruppe (Medianalter 12 Jahre) wies ein geringeres Alter, Körpergröße und -gewicht bei Transplantation auf als die non-CG-Gruppe (Medianalter 14 Jahre).
Die 19 SNPs lagen in Genen wie NUCB2 (kodiert Nesfatin-1, reguliert Appetit), PCSK1 (Hormonprozessierung), SRRM2 (neurodevelopmental assoziiert) und PSMC5 (zelluläre Signalwege). Die Feature-Importance-Analyse des RF-Modells identifizierte Alter sowie SNPs (NUCB2 rs757081, PCSK1 rs6235, SRRM2 rs3094775, PSMC5 rs13030) als einflussreichste Variablen.
Schlussfolgerungen
Genetische Faktoren spielen neben klinischen Variablen eine signifikante Rolle bei der Bestimmung posttransplantärer Wachstumsmuster. Das RF-Modell bietet eine präzise Vorhersagegrundlage für die personalisierte Therapiesteuerung (z. B. frühzeitige Glukokortikoidreduktion bei Risikopatienten). Traditionelle klinische Parameter allein erklären individuelle Wachstumsunterschiede unzureichend, weshalb die Integration genomischer Daten einen wesentlichen Fortschritt darstellt. Zukünftige Studien sollten das Modell in multizentrischen Kohorten validieren und die funktionelle Rolle der identifizierten SNPs weiter untersuchen.
doi.org/10.1097/CM9.0000000000002828