Prédiction précoce des modèles de croissance après transplantation rénale pédiatrique basée sur des polymorphismes mononucléotidiques associés à la taille
Résumé
Le retard de croissance est une complication fréquente de la maladie rénale chronique (MRC) chez l’enfant. Bien que la transplantation rénale puisse partiellement améliorer ce problème, les réponses individuelles restent très variables. Cette étude visait à développer et valider un modèle prédictif des modèles de croissance post-transplantation chez des enfants atteints de maladie rénale terminale (ESRD) en utilisant des algorithmes d’apprentissage automatique intégrant des variables génomiques et cliniques.
L’étude a inclus 110 enfants transplantés entre mai 2013 et septembre 2021 à l’hôpital affilié de Zhengzhou. Un séquençage de l’exome entier a identifié 729 polymorphismes mononucléotidiques (SNP) liés à la taille. Sept algorithmes d’apprentissage automatique ont été testés. Les enfants ont été classés en deux groupes selon leur changement de score Z de taille pour l’âge (HAZ) un an après transplantation : croissance de rattrapage (CG, ΔHAZ ≥0,5) ou non-rattrapage (non-CG, ΔHAZ <0,5).
L’analyse univariée a identifié l’âge et 19 SNPs comme prédicteurs significatifs. Le modèle Random Forest (RF) a montré les meilleures performances : précision de 0,8125 et AUC de 0,924 en validation interne, confirmées en validation externe (39 patients) avec une précision de 0,7949 et AUC de 0,796. Les SNPs impliqués (NUCB2, PCSK1, SRRM2, PSMC5) participent à des processus biologiques clés comme le métabolisme ou la signalisation cellulaire.
Introduction
La croissance post-transplantation rénale pédiatrique dépend de multiples facteurs cliniques (âge, fonction du greffon) et génétiques. Cependant, l’hétérogénéité des réponses individuelles limite l’optimisation des stratégies thérapeutiques. Les approches d’apprentissage automatique offrent une opportunité d’intégrer des données multivariées pour une prédiction personnalisée.
Méthodes
Population et données génomiques
Les 110 enfants inclus ont subi une transplantation entre 2013 et 2021. L’ADN a été analysé par séquençage de l’exome, ciblant 729 SNPs identifiés par des études GWAS antérieures. Une cohorte externe de 39 patients (transplantés entre 2021 et 2022) a servi à la validation.
Définition des phénotypes de croissance
Le ΔHAZ à un an post-transplantation a défini les groupes CG (ΔHAZ ≥0,5) et non-CG.
Analyse statistique et modélisation
Les algorithmes testés (LR, RF, Ridge, Enet, LASSO, XGBoost, SVM, GBDT) ont été optimisés par validation croisée en 10 plis. Les performances ont été évaluées via l’exactitude, l’AUC et l’importance des variables.
Résultats
Caractéristiques des patients
Le groupe CG (âge médian 12 ans) était plus jeune que le non-CG (14 ans). La taille et le poids pré-transplantation étaient également plus bas dans le groupe CG.
Sélection des variables prédictives
Parmi les 729 SNPs, 19 (associés à NUCB2, PCSK1, SRRM2, PSMC5) et l’âge ont été retenus. Le SNP rs757081 (NUCB2), impliqué dans la régulation de l’appétit, présentait l’effet le plus marqué.
Performances des modèles
Le modèle RF a surpassé les autres, avec une précision de 0,81 et AUC de 0,92. En validation externe, ses performances restaient robustes (AUC 0,796). L’analyse d’importance des variables a confirmé le rôle central de l’âge et des SNPs clés.
Discussion
Cette étude démontre l’apport des données génétiques pour prédire la croissance post-transplantation. Les SNPs identifiés sont impliqués dans des voies métaboliques (NUCB2, PCSK1) et de signalisation (SRRM2, PSMC5), plausibles modulateurs de la réponse au traitement immunosuppresseur ou à l’hormone de croissance.
La supériorité du modèle RF souligne sa capacité à capturer des interactions complexes entre variables, contrairement aux modèles linéaires. En pratique clinique, cet outil pourrait guider l’adaptation précoce des doses de glucocorticoïdes ou l’initiation de l’hormone de croissance.
Limites et perspectives
La taille modeste des cohortes et l’origine unique des données limitent la généralisation. Des études multicentriques et fonctionnelles sur les SNPs identifiés sont nécessaires.
Conclusion
L’intégration de marqueurs génétiques et cliniques via l’apprentissage automatique permet une prédiction robuste de la croissance post-transplantation rénale pédiatrique. Cette approche ouvre la voie à une médecine personnalisée, améliorant la qualité de vie des enfants atteints d’ESRD.
doi.org/10.1097/CM9.0000000000002828