基於跨種族資料之阿茲海默症風險預測泛化模型

背景：阿茲海默症（Alzheimer’s Disease, AD）是全球最常見的失智症類型，且不同族群間存在顯著的遺傳結構差異。現有風險預測模型多基於歐洲族群資料，對其他族群的適用性有限。為提升模型的跨族群泛化能力，本研究結合歐洲與東亞族群的基因與臨床數據進行分析。

方法：本研究整合英國生物資料庫（UKB）與臺灣族群的資料，篩選次要等位基因頻率（MAF）差異較小的SNPs，並進行基因型插補以補齊缺失資料。基於多基因風險分數（PRS）、基因型資料與臨床特徵，使用Logistic Regression、XGBoost與多層感知器（MLP）進行建模比較。模型效能以受試者操作特徵曲線下面積（AUROC）進行評估。

結果：在UKB驗證集中，三種演算法模型的AUC均達到0.81；在TWB測試集中，Logistic Regression和MLP模型的AUC提升至0.87，優於XGBoost的0.82。特徵分析確認PRSice2_PRS、lassosum_PRS與年齡為重要特徵，表明遺傳與臨床特徵的結合能顯著提升疾病風險預測效能。

結論：本研究結合臨床特徵、PRS與基因型資料可提升阿茲海默症風險預測的效能，特別在跨族群分析中展現良好泛化能力。未來建議可透過擴充SNP位點與臨床數據數量，並納入影像學或代謝物數據等多模態資訊來提升模型效能。