当前位置：
X-MOL 学术
›
Clin. Epigenet.
›
论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Epigenetic prediction of complex traits and mortality in a cohort of individuals with oropharyngeal cancer.
Clinical Epigenetics ( IF 5.7 ) Pub Date : 2020-04-22 , DOI: 10.1186/s13148-020-00850-4 Ryan J Langdon 1, 2 , Rhona A Beynon 1, 2 , Kate Ingarfield 3, 4, 5 , Riccardo E Marioni 6, 7 , Daniel L McCartney 6, 7 , Richard M Martin 1, 2, 3 , Andy R Ness 3 , Michael Pawlita 8 , Tim Waterboer 8 , Caroline Relton 1, 2, 3 , Steven J Thomas 3 , Rebecca C Richmond 1, 2
Clinical Epigenetics ( IF 5.7 ) Pub Date : 2020-04-22 , DOI: 10.1186/s13148-020-00850-4 Ryan J Langdon 1, 2 , Rhona A Beynon 1, 2 , Kate Ingarfield 3, 4, 5 , Riccardo E Marioni 6, 7 , Daniel L McCartney 6, 7 , Richard M Martin 1, 2, 3 , Andy R Ness 3 , Michael Pawlita 8 , Tim Waterboer 8 , Caroline Relton 1, 2, 3 , Steven J Thomas 3 , Rebecca C Richmond 1, 2
Affiliation
BACKGROUND
DNA methylation (DNAm) variation is an established predictor for several traits. In the context of oropharyngeal cancer (OPC), where 5-year survival is ~ 65%, DNA methylation may act as a prognostic biomarker. We examined the accuracy of DNA methylation biomarkers of 4 complex exposure traits (alcohol consumption, body mass index [BMI], educational attainment and smoking status) in predicting all-cause mortality in people with OPC.
RESULTS
DNAm predictors of alcohol consumption, BMI, educational attainment and smoking status were applied to 364 individuals with OPC in the Head and Neck 5000 cohort (HN5000; 19.6% of total OPC cases in the study), followed up for median 3.9 years; inter-quartile range (IQR) 3.3 to 5.2 years (time-to-event-death or censor). The proportion of phenotypic variance explained in each trait was as follows: 16.5% for alcohol consumption, 22.7% for BMI, 0.4% for educational attainment and 51.1% for smoking. We then assessed the relationship between each DNAm predictor and all-cause mortality using Cox proportional-hazard regression analysis. DNAm prediction of smoking was most consistently associated with mortality risk (hazard ratio [HR], 1.38 per standard deviation (SD) increase in smoking DNAm score; 95% confidence interval [CI] 1.04 to 1.83; P 0.025, in a model adjusted for demographic, lifestyle, health and biological variables). Finally, we examined the accuracy of each DNAm predictor of mortality. DNAm predictors explained similar levels of variance in mortality to self-reported phenotypes. Receiver operator characteristic (ROC) curves for the DNAm predictors showed a moderate discrimination of alcohol consumption (area under the curve [AUC] 0.63), BMI (AUC 0.61) and smoking (AUC 0.70) when predicting mortality. The DNAm predictor for education showed poor discrimination (AUC 0.57). Z tests comparing AUCs between self-reported phenotype ROC curves and DNAm score ROC curves did not show evidence for difference between the two (alcohol consumption P 0.41, BMI P 0.62, educational attainment P 0.49, smoking P 0.19).
CONCLUSIONS
In the context of a clinical cohort of individuals with OPC, DNAm predictors for smoking, alcohol consumption, educational attainment and BMI exhibit similar predictive values for all-cause mortality compared to self-reported data. These findings may have translational utility in prognostic model development, particularly where phenotypic data are not available.
中文翻译：
一组口咽癌患者复杂性状和死亡率的表观遗传预测。
背景DNA甲基化(DNAm)变异是几个性状的既定预测因子。在口咽癌 (OPC) 的情况下，其 5 年生存率约为 65%，DNA 甲基化可作为预后生物标志物。我们检查了 4 种复杂暴露特征（酒精消耗、体重指数 [BMI]、教育程度和吸烟状况）的 DNA 甲基化生物标志物在预测 OPC 患者全因死亡率方面的准确性。结果 将饮酒、BMI、教育程度和吸烟状况的 DNAm 预测因子应用于头颈部 5000 队列中的 364 名 OPC 患者（HN5000；占研究中 OPC 病例总数的 19.6%），中位随访时间为 3.9 年；四分位距 (IQR) 3.3 至 5.2 年（至事件死亡或审查的时间）。每个性状中解释的表型变异比例如下：16。饮酒占 5%，BMI 占 22.7%，受教育程度占 0.4%，吸烟占 51.1%。然后，我们使用 Cox 比例风险回归分析评估了每个 DNAm 预测因子与全因死亡率之间的关系。吸烟的 DNAm 预测与死亡风险最一致（风险比 [HR]，吸烟 DNAm 评分每增加 1.38 个标准差 (SD)；95% 置信区间 [CI] 1.04 至 1.83；P = 0.025，在模型中调整为人口、生活方式、健康和生物变量）。最后，我们检查了每个 DNAm 死亡率预测因子的准确性。DNAm 预测因子解释了与自我报告表型相似的死亡率差异水平。DNAm 预测因子的接受者操作员特征 (ROC) 曲线显示对饮酒的适度区分（曲线下面积 [AUC] 0.63），预测死亡率时的 BMI (AUC 0.61) 和吸烟 (AUC 0.70)。教育的 DNAm 预测器显示出较差的辨别力 (AUC 0.57)。比较自我报告的表型 ROC 曲线和 DNAm 评分 ROC 曲线之间的 AUC 的 Z 检验没有显示两者之间存在差异的证据（酒精消耗 P = 0.41，BMI P = 0.62，教育程度 P = 0.49，吸烟 P = 0.19）。结论 在 OPC 个体临床队列的背景下，与自我报告的数据相比，吸烟、饮酒、受教育程度和 BMI 的 DNAm 预测因子对全因死亡率具有相似的预测值。这些发现可能在预后模型开发中具有转化效用，特别是在没有表型数据的情况下。教育的 DNAm 预测器显示出较差的辨别力 (AUC 0.57)。比较自我报告的表型 ROC 曲线和 DNAm 评分 ROC 曲线之间的 AUC 的 Z 检验没有显示两者之间存在差异的证据（酒精消耗 P = 0.41，BMI P = 0.62，教育程度 P = 0.49，吸烟 P = 0.19）。结论 在 OPC 个体临床队列的背景下，与自我报告的数据相比，吸烟、饮酒、教育程度和 BMI 的 DNAm 预测因子对全因死亡率具有相似的预测值。这些发现可能在预后模型开发中具有转化效用，特别是在没有表型数据的情况下。教育的 DNAm 预测器显示出较差的辨别力 (AUC 0.57)。比较自我报告的表型 ROC 曲线和 DNAm 评分 ROC 曲线之间的 AUC 的 Z 检验没有显示两者之间存在差异的证据（酒精消耗 P = 0.41，BMI P = 0.62，教育程度 P = 0.49，吸烟 P = 0.19）。结论 在 OPC 个体临床队列的背景下，与自我报告的数据相比，吸烟、饮酒、教育程度和 BMI 的 DNAm 预测因子对全因死亡率具有相似的预测值。这些发现可能在预后模型开发中具有转化效用，特别是在没有表型数据的情况下。比较自我报告的表型 ROC 曲线和 DNAm 评分 ROC 曲线之间的 AUC 的 Z 检验没有显示两者之间存在差异的证据（酒精消耗 P = 0.41，BMI P = 0.62，教育程度 P = 0.49，吸烟 P = 0.19）。结论 在 OPC 个体临床队列的背景下，与自我报告的数据相比，吸烟、饮酒、受教育程度和 BMI 的 DNAm 预测因子对全因死亡率具有相似的预测值。这些发现可能在预后模型开发中具有转化效用，特别是在没有表型数据的情况下。比较自我报告的表型 ROC 曲线和 DNAm 评分 ROC 曲线之间的 AUC 的 Z 检验没有显示两者之间存在差异的证据（酒精消耗 P = 0.41，BMI P = 0.62，教育程度 P = 0.49，吸烟 P = 0.19）。结论 在 OPC 个体临床队列的背景下，与自我报告的数据相比，吸烟、饮酒、受教育程度和 BMI 的 DNAm 预测因子对全因死亡率具有相似的预测值。这些发现可能在预后模型开发中具有转化效用，特别是在没有表型数据的情况下。与自我报告的数据相比，受教育程度和 BMI 对全因死亡率的预测值相似。这些发现可能在预后模型开发中具有转化效用，特别是在没有表型数据的情况下。与自我报告的数据相比，受教育程度和 BMI 对全因死亡率的预测值相似。这些发现可能在预后模型开发中具有转化效用，特别是在没有表型数据的情况下。
更新日期：2020-04-23
中文翻译：
一组口咽癌患者复杂性状和死亡率的表观遗传预测。
背景DNA甲基化(DNAm)变异是几个性状的既定预测因子。在口咽癌 (OPC) 的情况下，其 5 年生存率约为 65%，DNA 甲基化可作为预后生物标志物。我们检查了 4 种复杂暴露特征（酒精消耗、体重指数 [BMI]、教育程度和吸烟状况）的 DNA 甲基化生物标志物在预测 OPC 患者全因死亡率方面的准确性。结果 将饮酒、BMI、教育程度和吸烟状况的 DNAm 预测因子应用于头颈部 5000 队列中的 364 名 OPC 患者（HN5000；占研究中 OPC 病例总数的 19.6%），中位随访时间为 3.9 年；四分位距 (IQR) 3.3 至 5.2 年（至事件死亡或审查的时间）。每个性状中解释的表型变异比例如下：16。饮酒占 5%，BMI 占 22.7%，受教育程度占 0.4%，吸烟占 51.1%。然后，我们使用 Cox 比例风险回归分析评估了每个 DNAm 预测因子与全因死亡率之间的关系。吸烟的 DNAm 预测与死亡风险最一致（风险比 [HR]，吸烟 DNAm 评分每增加 1.38 个标准差 (SD)；95% 置信区间 [CI] 1.04 至 1.83；P = 0.025，在模型中调整为人口、生活方式、健康和生物变量）。最后，我们检查了每个 DNAm 死亡率预测因子的准确性。DNAm 预测因子解释了与自我报告表型相似的死亡率差异水平。DNAm 预测因子的接受者操作员特征 (ROC) 曲线显示对饮酒的适度区分（曲线下面积 [AUC] 0.63），预测死亡率时的 BMI (AUC 0.61) 和吸烟 (AUC 0.70)。教育的 DNAm 预测器显示出较差的辨别力 (AUC 0.57)。比较自我报告的表型 ROC 曲线和 DNAm 评分 ROC 曲线之间的 AUC 的 Z 检验没有显示两者之间存在差异的证据（酒精消耗 P = 0.41，BMI P = 0.62，教育程度 P = 0.49，吸烟 P = 0.19）。结论 在 OPC 个体临床队列的背景下，与自我报告的数据相比，吸烟、饮酒、受教育程度和 BMI 的 DNAm 预测因子对全因死亡率具有相似的预测值。这些发现可能在预后模型开发中具有转化效用，特别是在没有表型数据的情况下。教育的 DNAm 预测器显示出较差的辨别力 (AUC 0.57)。比较自我报告的表型 ROC 曲线和 DNAm 评分 ROC 曲线之间的 AUC 的 Z 检验没有显示两者之间存在差异的证据（酒精消耗 P = 0.41，BMI P = 0.62，教育程度 P = 0.49，吸烟 P = 0.19）。结论 在 OPC 个体临床队列的背景下，与自我报告的数据相比，吸烟、饮酒、教育程度和 BMI 的 DNAm 预测因子对全因死亡率具有相似的预测值。这些发现可能在预后模型开发中具有转化效用，特别是在没有表型数据的情况下。教育的 DNAm 预测器显示出较差的辨别力 (AUC 0.57)。比较自我报告的表型 ROC 曲线和 DNAm 评分 ROC 曲线之间的 AUC 的 Z 检验没有显示两者之间存在差异的证据（酒精消耗 P = 0.41，BMI P = 0.62，教育程度 P = 0.49，吸烟 P = 0.19）。结论 在 OPC 个体临床队列的背景下，与自我报告的数据相比，吸烟、饮酒、教育程度和 BMI 的 DNAm 预测因子对全因死亡率具有相似的预测值。这些发现可能在预后模型开发中具有转化效用，特别是在没有表型数据的情况下。比较自我报告的表型 ROC 曲线和 DNAm 评分 ROC 曲线之间的 AUC 的 Z 检验没有显示两者之间存在差异的证据（酒精消耗 P = 0.41，BMI P = 0.62，教育程度 P = 0.49，吸烟 P = 0.19）。结论 在 OPC 个体临床队列的背景下，与自我报告的数据相比，吸烟、饮酒、受教育程度和 BMI 的 DNAm 预测因子对全因死亡率具有相似的预测值。这些发现可能在预后模型开发中具有转化效用，特别是在没有表型数据的情况下。比较自我报告的表型 ROC 曲线和 DNAm 评分 ROC 曲线之间的 AUC 的 Z 检验没有显示两者之间存在差异的证据（酒精消耗 P = 0.41，BMI P = 0.62，教育程度 P = 0.49，吸烟 P = 0.19）。结论 在 OPC 个体临床队列的背景下，与自我报告的数据相比，吸烟、饮酒、受教育程度和 BMI 的 DNAm 预测因子对全因死亡率具有相似的预测值。这些发现可能在预后模型开发中具有转化效用，特别是在没有表型数据的情况下。与自我报告的数据相比，受教育程度和 BMI 对全因死亡率的预测值相似。这些发现可能在预后模型开发中具有转化效用，特别是在没有表型数据的情况下。与自我报告的数据相比，受教育程度和 BMI 对全因死亡率的预测值相似。这些发现可能在预后模型开发中具有转化效用，特别是在没有表型数据的情况下。
京公网安备 11010802027423号