張資昊黃絹2026-05-062026-05-062025-01-14https://203.71.86.71/handle/123456789/9325學位別：碩士 口試委員：吳育瑋; 許博凱; 張資昊 關鍵字：阿茲海默症、單核苷酸多態性、全基因體關聯分析、多基因風險分數、機器學習研究動機：阿茲海默症是最常見的失智症類型之一，因目前尚無根治方法，早期識別高風險族群以進行預防尤為重要。已有多項研究聚焦於相關風險預測，但單一特徵（如年齡）可能對模型表現產生主導性影響，限制了其他潛在風險因子的發現。本研究綜合多篇文獻的重要特徵，並對年齡和性別進行傾向性匹配，旨在提升高齡族群的阿茲海默症風險預測模型效能。 研究方法：本研究基於UK Biobank數據，結合遺傳數據與臨床數據，建置高齡族群五年內及十年內的阿茲海默症風險預測模型。研究流程包括對433,589名樣本進行全基因體關聯分析（GWAS），對13,282名樣本計算多基因風險分數（PRS），並整合多種特徵以構建預測模型。GWAS分析分別基於三種p值閾值：p值 ≤ 0.05 篩選出379,360個SNPs，p值 ≤ 10−5篩選出1,113個 SNPs，p值 ≤ 5 × 10−8 篩選出206個顯著SNPs，並利用PRSice2和Lassosum計算PRS分數。最終，將37個臨床特徵、PRS和206個顯著位點分別輸入Logistic Regression、LightGBM、XGBoost及MLP四種機器學習模型進行預測及效能比較。 結果：在五年內風險預測中，最佳模型為採用37個臨床特徵與206個顯著位點的MLP模型，AUC達到0.88。在十年內風險預測中，最佳模型為採用37個臨床特徵、206個顯著位點以及基於這些位點計算的PRS的MLP模型，AUC達到0.89。 結論：本研究證明整合臨床特徵與PRS可有效提升高齡族群阿茲海默症風險預測的精度。然而，為進一步驗證多基因風險分數的應用效能，未來需進行更多跨族群與跨資料庫的合作研究，並持續探索其他潛在風險因子，以實現模型的臨床應用價值。系所名稱：醫學資訊研究所碩士班thesis