DNA methylation patterns in the blood, genetic risk scores (GRSs), and environmental risk factors can potentially improve breast cancer (BC) risk prediction. We assessed the individual and joint predictive performance of methylation, GRS, and environmental risk factors for BC incidence in a prospective cohort study. In a cohort of 5462 women aged 50-75 from Germany, 101 BC cases were identified during 14 years of follow-up and were compared to 263 BC-free controls in a nested case-control design. Three previously suggested methylation risk scores (MRSs) based on methylation of 423, 248, and 131 cytosine-phosphate-guanine (CpG) loci, and a GRS based on the risk alleles from 269 recently identified single nucleotide polymorphisms were constructed. Additionally, multiple previously proposed environmental risk scores (ERSs) were built based on environmental variables. Areas under the receiver operating characteristic curves (AUCs) were estimated for evaluating BC risk prediction performance. MRS and ERS showed limited accuracy in predicting BC incidence, with AUCs ranging from 0.52 to 0.56 and from 0.52 to 0.59, respectively. The GRS predicted BC incidence with a higher accuracy (AUC = 0.61). Adjusted odds ratios per standard deviation increase (95% confidence interval) were 1.07 (0.84-1.36) and 1.40 (1.09-1.80) for the best performing MRS and ERS, respectively, and 1.48 (1.16-1.90) for the GRS. A full risk model combining the MRS, GRS, and ERS predicted BC incidence with the highest accuracy (AUC = 0.64) and might be useful for identifying high-risk populations for BC screening.

中文翻译：

---

DNA甲基化概况，遗传风险评分和环境风险评分的个体和联合表现可预测乳腺癌风险。

血液中的DNA甲基化模式，遗传风险评分（GRS）和环境风险因素可以潜在地改善乳腺癌（BC）风险预测。在一项前瞻性队列研究中，我们评估了甲基化，GRS和环境风险因素对BC发病率的个体和联合预测性能。在来自德国的5462名年龄在50-75岁之间的女性队列中，在14年的随访中发现了101例BC病例，并与巢式病例对照设计中的263例无BC对照进行了比较。根据423、248和131个胞嘧啶-磷酸-鸟嘌呤（CpG）位点的甲基化，先前提出了三个甲基化风险评分（MRS），并基于来自最近鉴定的269个单核苷酸多态性的风险等位基因构建了GRS。另外，基于环境变量建立了多个先前建议的环境风险评分（ERS）。估计接收器工作特性曲线（AUC）下的面积，以评估BC风险预测性能。MRS和ERS预测BC发生率的准确性有限，AUC分别为0.52至0.56和0.52至0.59。GRS预测BC发病率的准确性更高（AUC = 0.61）。表现最佳的MRS和ERS的每标准偏差增加（95％置信区间）调整后的优势比分别为1.07（0.84-1.36）和1.40（1.09-1.80），以及GRS的调整后优势比为1.48（1.16-1.90）。结合了MRS，GRS和ERS的完整风险模型可以最准确地预测BC发生率（AUC = 0.64），对于确定高风险人群进行BC筛查可能有用。估计接收器工作特性曲线（AUC）下的面积，以评估BC风险预测性能。MRS和ERS预测BC发生率的准确性有限，AUC分别为0.52至0.56和0.52至0.59。GRS预测BC发病率的准确性更高（AUC = 0.61）。表现最佳的MRS和ERS的每标准偏差增加（95％置信区间）调整后的优势比分别为1.07（0.84-1.36）和1.40（1.09-1.80），以及GRS的调整后优势比为1.48（1.16-1.90）。结合了MRS，GRS和ERS的完整风险模型可以最准确地预测BC发生率（AUC = 0.64），对于确定高风险人群进行BC筛查可能有用。估计接收器工作特性曲线（AUC）下的面积，以评估BC风险预测性能。MRS和ERS预测BC发生率的准确性有限，AUC分别为0.52至0.56和0.52至0.59。GRS预测BC发生率的准确性更高（AUC = 0.61）。表现最佳的MRS和ERS的每标准偏差增加（95％置信区间）调整后的优势比分别为1.07（0.84-1.36）和1.40（1.09-1.80），以及GRS的调整后优势比为1.48（1.16-1.90）。结合了MRS，GRS和ERS的完整风险模型可以最准确地预测BC发生率（AUC = 0.64），对于确定高风险人群进行BC筛查可能有用。MRS和ERS预测BC发生率的准确性有限，AUC分别为0.52至0.56和0.52至0.59。GRS预测BC发病率的准确性更高（AUC = 0.61）。表现最佳的MRS和ERS的每标准偏差增加（95％置信区间）调整后的优势比分别为1.07（0.84-1.36）和1.40（1.09-1.80），以及GRS的调整后优势比为1.48（1.16-1.90）。结合了MRS，GRS和ERS的完整风险模型可以最准确地预测BC发生率（AUC = 0.64），对于确定高风险人群进行BC筛查可能有用。MRS和ERS预测BC发生率的准确性有限，AUC分别为0.52至0.56和0.52至0.59。GRS预测BC发病率的准确性更高（AUC = 0.61）。表现最佳的MRS和ERS的每标准偏差增加（95％置信区间）调整后的优势比分别为1.07（0.84-1.36）和1.40（1.09-1.80），以及GRS的调整后优势比为1.48（1.16-1.90）。结合了MRS，GRS和ERS的完整风险模型可以最准确地预测BC发生率（AUC = 0.64），对于确定高风险人群进行BC筛查可能有用。表现最佳的MRS和ERS的每标准偏差增加（95％置信区间）调整后的优势比分别为1.07（0.84-1.36）和1.40（1.09-1.80），以及GRS的调整后优势比为1.48（1.16-1.90）。结合了MRS，GRS和ERS的完整风险模型可以最准确地预测BC发生率（AUC = 0.64），对于确定高风险人群进行BC筛查可能有用。表现最佳的MRS和ERS的每标准偏差增加（95％置信区间）调整后的优势比分别为1.07（0.84-1.36）和1.40（1.09-1.80），以及对于GRS而言为1.48（1.16-1.90）。结合了MRS，GRS和ERS的完整风险模型可以最准确地预测BC发生率（AUC = 0.64），对于确定高风险人群进行BC筛查可能有用。