基于虚拟生成酒精数据的食管癌风险个性化预测：开启精准预防新篇章

《Journal of Translational Medicine》：Personalized prediction of esophageal cancer risk based on virtually generated alcohol data

为解决食管癌（EC）风险评估难题，研究人员开展了基于遗传多态性（rs671 和 rs1229984）与虚拟生成酒精数据的个性化风险预测研究。结果显示，Ensemble 模型表现卓越，rs671 = AG 和 rs1229984 = CC 基因型且饮酒者风险最高，戒酒可降低风险。该研究为 EC 精准预防提供了新方向。

　　在全球范围内，食管癌（Esophageal Cancer，EC）严重威胁公众健康，尤其在饮酒量大的地区更为突出。其发病原因复杂，涉及遗传易感性和生活方式等多种因素。过往研究发现，酒精脱氢酶（ADH）和乙醛脱氢酶（ALDH）基因中的单核苷酸多态性（SNPs），如 rs671 和 rs1229984，对食管癌风险影响显著。然而，传统研究方法在评估疾病风险时存在局限性，难以精准揭示遗传与生活方式因素间的相互作用。为了更精准地预测食管癌风险，中山医学大学等机构的研究人员开展了一项创新研究。

研究人员利用台湾生物银行（Taiwan Biobank，TWB）和台湾大学医院的 86845 人的数据，其中包括 763 名食管癌患者和 86082 名对照人员。通过全基因组基因分型和基因型填补技术，对多个单核苷酸多态性位点进行检测。运用多种机器学习模型，如贝叶斯网络（Bayesian Network）、决策树（Decision Tree）、集成方法（Ensemble）等，构建个性化风险预测模型。

在研究结果部分，首先分析了基因型和饮酒模式的分布。发现 rs671 = AG 和 rs1229984 = CC 基因型且有饮酒史的患者中，食管癌患者比例最高。不同基因型组合下，饮酒组的食管癌患者比例普遍高于戒酒组，而 rs671 = AA 基因型的人群中饮酒者较少，可能是由于该基因型个体饮酒后乙醛积累引发的脸红反应，降低了对酒精的依赖，这是一种自我保护机制。

接着评估了机器学习模型的性能。Ensemble 模型表现最为出色，其 Youden’s J 统计量（KS）达到 0.8560，受试者工作特征曲线下面积（Area Under the Curve，AUC）为 0.9577，敏感性为 0.9211，特异性为 0.9349，整体准确率为 0.9348 ，表明该模型在区分食管癌患者和对照人员方面具有卓越能力。

最后进行了个性化风险预测。以 rs671 = AG 和 rs1229984 = CC 基因型为例，饮酒者的食管癌预测概率在 0.2041 - 0.9181 之间，若这些人戒酒，最高风险可降至 0.4629，最低风险可降至 0.1227，风险降低幅度达 16.29 - 49.58% 。

研究结论表明，rs671 = AG 和 rs1229984 = CC 基因型且饮酒的个体患食管癌的概率显著增加，戒酒可大幅降低这一风险。虚拟生成酒精数据融入预测模型，显著提升了食管癌个性化风险评估的准确性，展现了人工智能和机器学习在推进精准公共卫生领域的巨大潜力。

该研究也存在一定局限性，虚拟数据生成基于一些假设，可能忽略了饮酒频率、量和环境等因素的影响，且假设酒精对食管癌风险的影响在不同人群和环境中一致，这在实际应用中可能并不成立。但总体而言，该研究为食管癌的预防和早期干预提供了新的思路和方法，对公共卫生领域具有重要意义。

研究人员开展这项研究主要运用了以下关键技术方法：一是利用台湾生物银行（TWB）和台湾大学医院的样本队列获取研究数据；二是通过全基因组基因分型技术，使用 Axiom Genome-Wide Array Plate 芯片系统对候选单核苷酸多态性（SNPs）进行基因分型；三是运用多种机器学习模型，包括贝叶斯网络、决策树、集成方法等，进行数据分析和模型构建，以评估食管癌风险。