JP7096784B2

JP7096784B2 - 妊娠糖尿病のリスクを判定する方法

Info

Publication number: JP7096784B2
Application number: JP2019081797A
Authority: JP
Inventors: ヨスバニ宇田川; 鶴黄; バラン伊里佐藤
Original assignee: ジェネシスヘルスケア株式会社
Priority date: 2019-04-23
Filing date: 2019-04-23
Publication date: 2022-07-06
Anticipated expiration: 2039-04-23
Also published as: JP2020178552A

Description

本発明は妊娠糖尿病のリスクを判定する方法に関する。

疾患のリスクの判定に用いるために、一塩基多型（以下、「ＳＮＰ」ともいう。）と疾患との関連性の特定が進められている。ＮＣＢＩＳＮＰＤａｔａｂａｓｅは、ヒトのＳＮＰをまとめたデータベースであり、ＳＮＰにｒｓ番号を付して管理している。本明細書におけるｒｓ番号も、このＮＣＢＩＳＮＰＤａｔａｂａｓｅにおける登録番号を意味するものとする。

本明細書においてｒｓ番号で特定されるＳＮＰと、当該ＳＮＰに関連する疾患、病態又は状態等として非特許文献等で開示されているものとの関係は、以下のとおりである。
rs12477314：FEV1とFVCの比率に関するＳＮＰ（非特許文献 1）
rs1862513：血液中のレジスチン濃度に関するＳＮＰ（非特許文献 2）
rs9373124：好酸球数に関するＳＮＰ（非特許文献 3）
rs12688220：膵炎に関するＳＮＰ（非特許文献 4）
rs4895441：白血球数に関するＳＮＰ（非特許文献 5）
rs6496932：角膜の厚さに関するＳＮＰ（非特許文献 6）
rs430727：骨密度（背骨）に関するＳＮＰ（非特許文献 7）
rs430727：骨密度（大腿骨の付け根）に関するＳＮＰ（非特許文献 8）
rs1934179：尿道下裂に関するＳＮＰ（非特許文献 9）

Soler Artigas M, Loth DW, Wain LV, Gharib SA, Obeidat M, Tang W, et al. Genome-wide association and large-scale follow up identifies 16 new loci influencing lung function. Nat. Genet. 2011;43: 1082-90. Onuma H, Tabara Y, Kawamura R, Tanaka T, Ohashi J, Nishida W, et al. A at single nucleotide polymorphism-358 is required for G at -420 to confer the highest plasma resistin in the general Japanese population. PLoS ONE 2010;5: e9718. Okada Y, Hirota T, Kamatani Y, Takahashi A, Ohmiya H, Kumasaka N, et al. Identification of nine novel loci associated with white blood cell subtypes in a Japanese population. PLoS Genet. 2011;7: e1002067. Whitcomb DC, LaRusch J, Krasinskas AM, Klei L, Smith JP, Brand RE, et al. Common genetic variants in the CLDN2 and PRSS1-PRSS2 loci alter risk for alcohol-related and sporadic pancreatitis. Nat. Genet. 2012;44: 1349-54. Kamatani Y, Matsuda K, Okada Y, Kubo M, Hosono N, Daigo Y, et al. Genome-wide association study of hematological and biochemical traits in a Japanese population. Nat. Genet. 2010;42: 210-5. Lu Y, Vitart V, Burdon KP, Khor CC, Bykhovskaya Y, Mirshahi A, et al. Genome-wide association analyses identify multiple loci associated with central corneal thickness and keratoconus. Nat. Genet. 2013;45: 155-63. Estrada K, Styrkarsdottir U, Evangelou E, Hsu YH, Duncan EL, Ntzani EE, et al. Genome-wide meta-analysis identifies 56 bone mineral density loci and reveals 14 loci associated with risk of fracture. Nat. Genet. 2012;44: 491-501. Estrada K, Styrkarsdottir U, Evangelou E, Hsu YH, Duncan EL, Ntzani EE, et al. Genome-wide meta-analysis identifies 56 bone mineral density loci and reveals 14 loci associated with risk of fracture. Nat. Genet. 2012;44: 491-501. van der Zanden LF, van Rooij IA, Feitz WF, Knight J, Donders AR, Renkema KY, et al. Common variants in DGKK are strongly associated with risk of hypospadias. Nat. Genet. 2011;43: 48-50.

本発明は、妊娠糖尿病（以下、「本疾患」ともいう。）のリスクを判定する方法を提供することを課題とする。

本発明者らは上記課題を解決するために鋭意検討した。その結果、これまで一見すると本疾患との関連性がないと認められる個々の一塩基多型を、一つのまとまったセットとしてみたときに、本疾患との関連性があることを見出した。そして、その関連性を用いることで、本疾患のリスクを判定する本発明を完成するに至った。

すなわち、本発明の方法では、本疾患との関連性を見出した、rs12477314、rs1862513、rs9373124、rs12688220、rs4895441、rs6496932、rs430727、及びrs1934179を少なくとも含む一塩基多型セット（以下、「本ＳＮＰセット」ともいう。）の遺伝子型情報に基づいて、本疾患のリスクを判定する。

本発明の方法においては、「一塩基多型セット」とは、複数の一塩基多型の一つのまとまったセットを意味し、この一つのセットにより本疾患との関連性が見出されている。

また、本発明の方法における「遺伝子型情報」とは、一塩基多型における２つのホモ接合型（ＡＡ，ＢＢ）と、ヘテロ接合型（ＡＢ）に分類して示される、一塩基多型の遺伝子型（Ｇｅｎｏｔｙｐｅ）の情報を意味し、「本ＳＮＰセットの遺伝子型情報」とは、本ＳＮＰセットにおいて特定される各一塩基多型の遺伝子型情報を一まとまりとしたセットを意味し、言い換えれば、各ｒｓ番号で示される塩基配列中の各ＳＮＰの多型となる塩基に関する情報のセットである。本ＳＮＰセットの遺伝子型情報は、図１において示すとおりである。

本発明によれば、本疾患のリスクを判定することができる。

本ＳＮＰセットの遺伝子型情報を示す。本ＳＮＰセットの遺伝子型情報にＳＮＰ毎の接合型に対応付ける値の関係を示した変換テーブルの一例を示す。本ＳＮＰセットを用いたモデルのＲＯＣ曲線とＡＵＣを示す。また、Ｎ個のＳＮＰを含む本ＳＮＰセットから１つのＳＮＰを任意に抜いたＮ－１個のＳＮＰを含むＳＮＰセットを、「比較ＳＮＰセット」ともいい、各比較ＳＮＰセットを表す場合には、比較ＳＮＰセット１、比較ＳＮＰセット２と、記載する。比較ＳＮＰセット１を用いたモデルのＲＯＣ曲線とＡＵＣを示す。比較ＳＮＰセット２を用いたモデルのＲＯＣ曲線とＡＵＣを示す。比較ＳＮＰセット３を用いたモデルのＲＯＣ曲線とＡＵＣを示す。比較ＳＮＰセット４を用いたモデルのＲＯＣ曲線とＡＵＣを示す。比較ＳＮＰセット５を用いたモデルのＲＯＣ曲線とＡＵＣを示す。比較ＳＮＰセット６を用いたモデルのＲＯＣ曲線とＡＵＣを示す。比較ＳＮＰセット７を用いたモデルのＲＯＣ曲線とＡＵＣを示す。比較ＳＮＰセット８を用いたモデルのＲＯＣ曲線とＡＵＣを示す。比較ＳＮＰセット９を用いたモデルのＲＯＣ曲線とＡＵＣを示す。比較ＳＮＰセット１０を用いたモデルのＲＯＣ曲線とＡＵＣを示す。

本発明の実施の形態について説明する。以下の実施形態は、本発明を説明するための例示であり、本発明をこの実施形態にのみ限定する趣旨ではない。本発明は、その要旨を逸脱しない限り、様々な形態で実施することができる。

本実施形態において、妊娠糖尿病とは、妊娠中にはじめて発見された糖代謝異常をいう。

また、本実施形態において、本疾患は、一般には、本疾患に関する医学会の公表するガイドラインに沿って診断される疾患、医療用医薬品の添付文書において、効能・効果の欄に記載される疾患、あるいは、医薬・医療業界において汎用される用語として理解される疾患の少なくともいずれかを意味するものと解することができる。

本実施形態の方法においては、一見すると本疾患との関連性がないと認められる所定数の一塩基多型セットを用いて、本疾患のリスクを判定する。

本疾患のリスクとは、本疾患の罹りやすさや罹りにくさなどの本疾患に罹る可能性をいう。「リスクを判定する」とは、例えば、現在または将来において本疾患に罹る可能性をいくつかのレベルに分けて出力することや、数値により出力することを含む。本疾患のリスクの判定には、疾患に罹りやすい傾向にあるのか、罹りにくい傾向にあるのかといった、疾患に対する遺伝的要因あるいは遺伝的感受性についての評価が含まれる。

なお、本疾患のリスクを判定するにあたっては、本疾患のリスクの判定を受ける対象者が、本疾患のリスクの判定時において、実際に本疾患に罹患しているか（発症しているか）否かは問わない。

本実施形態の方法では、本ＳＮＰセットで特定される各ＳＮＰの遺伝子型を２つのホモ接合型（ＡＡ，ＢＢ）と、ヘテロ接合型（ＡＢ）に分類した遺伝子型のセットである、本ＳＮＰセットの遺伝子型情報を用いる。そして、本ＳＮＰセットの遺伝子型情報に基づいて、対象者の本疾患のリスクを判定する。

本実施形態の方法で用いる本ＳＮＰセットは、本疾患との関連性が従来認められていなかったＳＮＰを含むセットである。すなわち、通常は、本ＳＮＰセットに含まれるＳＮＰを個別に分析したとしても、本疾患のリスクを判定することはできない。しかしながら、本実施形態の方法では、本ＳＮＰセットに含まれる各ＳＮＰの遺伝子型情報を一まとまりのセットとして分析することにより、本疾患のリスクを判定することができる。また、本ＳＮＰセットを分析した場合と、比較ＳＮＰセットを分析した場合とを比較すると、本ＳＮＰセットを分析した場合の方が統計的に有意な結果が得られている。すなわち、本実施形態の方法において、本ＳＮＰセットを分析して本疾患のリスクを判定することで、高精度が高い、あるいは予測能力が高いリスクの判定方法を提供することができる。

以下、本ＳＮＰセットに含まれる各ＳＮＰに関連して、ｒｓ番号と、各ＳＮＰが存在する染色体番号（性染色体の場合には、ＸかＹで示す）と、各ＳＮＰの染色体上の位置と、ｒｓ番号に対応する塩基配列と、を列記する。なお、各ｒｓ番号で示される塩基配列中において、ＳＮＰは［］で囲って示す。例えば、［Ａ／Ｇ］と表記した場合には、その塩基配列の位置においてＡ又はＧの一塩基多型があることを示す。また、各ＳＮＰに関する塩基配列や疾患などの情報は、例えば、ｒｓ番号に基づいてＮＣＢＩＳＮＰＤａｔａｂａｓｅを検索することで得られる。それらの情報は当該Ｄａｔａｂａｓｅにより参照可能であり、また、本明細書で援用する。なお、以下に記す染色体上の位置は、ａｓｓｅｍｂｌｙｇｅｎｏｍｅのバージョンＧＲＣｈ３７に対応するものである。

ｒｓ１２４７７３１４
染色体番号２
染色体上の位置２３９８７７１４８
塩基配列ＧＣＡＣＣＡＡＧＴＡＴＴＴＣＣＣＡＧＣＴＧＧＡＣＧ［Ｔ／Ｃ］ＡＴＡＣＴＴＧＴＧＴＧＡＡＧＧＧＴＧＣＧＧＴＧＴＧ（配列番号１）

ｒｓ１８６２５１３
染色体番号１９
染色体上の位置７７３３７９３
塩基配列ＣＣＴＴＣＣＣＡＣＴＴＣＣＡＡＣＡＧＧＧＣＣＴＣＣ［Ｇ／Ｃ］ＴＣＴＴＣＡＴＧＴＣＣＡＧＡＧＡＣＴＧＧＴＣＡＧＧ（配列番号２）

ｒｓ９３７３１２４
染色体番号６
染色体上の位置１３５４２３２０９
塩基配列ＴＴＴＡＴＣＣＡＴＡＴＧＴＴＴＡＴＣＣＡＴＴＴＧＴ［Ｔ／Ｃ］ＣＡＴＧＡＡＣＡＴＴＴＧＧＴＴＴＡＴＴＴＣＴＡＣＣ（配列番号３）

ｒｓ１２６８８２２０
染色体番号Ｘ
染色体上の位置１０６２４４７６７
塩基配列ＡＴＧＴＣＣＴＴＴＧＡＧＣＡＴＣＡＴＴＴＴＴＴＡＣ［Ｔ／Ｃ］ＣＣＣＡＴＴＧＧＧＴＧＣＴＴＴＡＣＡＴＴＴＧＴＣＴ（配列番号４）

ｒｓ４８９５４４１
染色体番号６
染色体上の位置１３５４２６５７３
塩基配列ＣＴＧＧＧＧＡＡＡＧＡＣＴＣＴＴＴＧＴＡＡＡＧＴＧ［Ａ／Ｇ］ＴＡＣＡＴＧＡＧＣＡＧＡＧＡＡＣＴＧＡＧＴＡＡＧＴ（配列番号５）

ｒｓ６４９６９３２
染色体番号１５
染色体上の位置８５８２５５６７
塩基配列ＴＧＣＣＴＧＧＧＡＴＧＴＴＴＡＣＡＡＣＴＴＴＧＣＴ［Ａ／Ｃ］ＣＣＴＧＴＴＴＣＣＴＣＴＴＴＴＡＴＣＣＴＧＡＴＧＡ（配列番号６）

ｒｓ４３０７２７
染色体番号３
染色体上の位置４１１２８５６４
塩基配列ＣＡＣＴＣＴＴＡＧＧＧＴＧＴＧＧＧＡＧＣＣＣＴＧＣ［Ａ／Ｇ］ＣＡＡＡＴＡＴＴＴＴＴＴＧＣＡＧＧＧＣＣＣＣＴＧＴ（配列番号７）

ｒｓ１９３４１７９
染色体番号Ｘ
染色体上の位置５０１８２１８４
塩基配列ＴＧＴＡＴＴＴＣＴＴＣＣＡＡＴＡＧＴＧＡＣＴＧＧＣ［Ｔ／Ｃ］ＴＴＴＡＧＧＡＧＣＣＡＡＴＴＧＡＴＡＧＡＡＡＡＡＴ（配列番号８）

本実施形態の方法において、本ＳＮＰセットを構成する各ＳＮＰはｒｓ番号により特定される塩基配列を参照することによって特定可能であるが、本明細書において記載するｒｓ番号が他のｒｓ番号と併合され、新たなｒｓ番号が付与された場合には、本明細書において該当するｒｓ番号は、併合後のｒｓ番号及び併合される他のｒｓ番号をも意味する。また、本明細書において記載するｒｓ番号が複数のｒｓ番号の併合により付与された番号である場合には、本明細書において該当するｒｓ番号は、その他の元となるｒｓ番号をも意味する。

また、ＳＮＰに関する各ｒｓ番号で示される上記塩基配列は、特定の塩基配列として示しているが、人種の相違等によって、当該塩基配列において該当するＳＮＰ以外の部分における塩基配列は変更されてもよい。

本実施形態の方法は、いずれの人種の被検者に対しても用いることができるが、特に、アジア人に好適に用いることができる。アジア人の中でも日本人等の東アジア人の被検者により好適に用いることができる。また、本実施形態の方法は、いずれの性別の被検者に対しても用いてもよい。

以下、本ＳＮＰセットの遺伝子型情報を分析することにより本疾患のリスクを判定する方法の一態様について説明する。但し、判定方法は、以下に限定されない。

はじめに、対象者の試料を用いて、試料中の本ＳＮＰセットに含まれる各ＳＮＰの遺伝子型を特定する。ＳＮＰの検出に用いる試料としては、染色体ＤＮＡを含む試料であれば特に制限されない。このような試料としては、例えば、唾液、血液、尿等の体液サンプル；口腔粘膜などの細胞サンプル；毛髪等の体毛などが挙げられる。ＳＮＰの検出には、これらの試料から常法により単離した染色体ＤＮＡを直接使用してもよいし、単離した染色体ＤＮＡを増幅して、増幅後の染色体ＤＮＡを使用してもよい。

ＳＮＰの検出は、通常の遺伝子多型解析方法によって行うことができる。例えば、ＤＮＡチップ法（ＤＮＡマイクロアレイ）、サンガー法を用いた従来型のシーケンサーや次世代シーケンサー（ＮＧＳ；ＮｅｘｔＧｅｎｅｒａｔｉｏｎＳｅｑｕｅｎｃｅｒ）などを用いたシーケンス解析、ＰＣＲ（ＰｏｌｙｍｅｒａｓｅＣｈａｉｎＲｅａｃｔｉｏｎ）、ハイブリダイゼーション、インベーダー法などが挙げられるが、これらに限定されない。

ＤＮＡチップ法では、ＳＮＰ部位を含む多数のＤＮＡ断片（プローブ）を基板上に配置したＤＮＡチップを用い、染色体ＤＮＡをチップ上のプローブとハイブリダイズさせて、結合部位を蛍光又は電流により検出することにより、染色体ＤＮＡの配列を解析する。ＳＮＰ解析に用いられるＤＮＡチップとしては、ＳＮＰ部位を含む塩基配列を検出可能なオリゴヌクレオチドプローブが配置されたチップが挙げられる。

また、シーケンス解析は通常のサンガー法により行うことができる。例えば、多型を示す塩基の５'側の数十塩基の位置に設定したプライマーを使用してシーケンス反応を行い、その解析結果から、該当する位置がどの種類の塩基であるかを決定することができる。なお、シーケンス反応の前に、あらかじめＳＮＰ部位を含む断片をＰＣＲなどによって増幅しておくことが好ましい。効率の観点からはＮＧＳ技術を使用してもよい。

また、ＳＮＰの検出は、例えば従来のＰＣＲによる増幅の有無を調べることによって行うことができる。例えば、多型を示す塩基を含む領域に対応する配列を有し、かつ、３'末端が各多型に対応するプライマーをそれぞれ用意する。それぞれのプライマーを使用してＰＣＲを行い、増幅産物の有無によってどのタイプの多型であるかを決定することができる。また、ＬＡＭＰ法（Ｌｏｏｐ－ＭｅｄｉａｔｅｄＩｓｏｔｈｅｒｍａｌＡｍｐｌｉｆｉｃａｔｉｏｎ；特許第３３１３３５８号明細書）、ＮＡＳＢＡ法（ＮｕｃｌｅｉｃＡｃｉｄＳｅｑｕｅｎｃｅ－ＢａｓｅｄＡｍｐｌｉｆｉｃａｔｉｏｎ；特許２８４３５８６号明細書）、ＩＣＡＮ法（ＩｓｏｔｈｅｒｍａｌａｎｄＣｈｉｍｅｒｉｃｐｒｉｍｅｒ－ｉｎｉｔｉａｔｅｄＡｍｐｌｉｆｉｃａｔｉｏｎｏｆＮｕｃｌｅｉｃａｃｉｄｓ；特許第３４３３９２９号公報）などによって増幅の有無を調べることもできる。その他、単鎖増幅法やＮＧＳを用いた解析法を用いてもよい。

また、ＳＮＰ部位を含むＤＮＡ断片を増幅し、増幅産物の電気泳動における移動度の違いによってどのタイプの多型であるかを決定することもできる。このような方法としては、例えば、ＰＣＲ－ＳＳＣＰ（ｓｉｎｇｌｅ－ｓｔｒａｎｄｃｏｎｆｏｒｍａｔｉｏｎｐｏｌｙｍｏｒｐｈｉｓｍ）法（Ｇｅｎｏｍｉｃｓ．１９９２Ｊａｎ１；１２（１）：１３９－１４６．）などが挙げられる。具体的には、まず、目的のＳＮＰを含むＤＮＡを増幅し、増幅したＤＮＡを一本鎖ＤＮＡに解離させる。次いで、解離させた一本鎖ＤＮＡを非変性ゲル上で分離し、分離した一本鎖ＤＮＡのゲル上での移動度の違いによってどのタイプの多型であるかを決定することができる。

さらに、多型を示す塩基が制限酵素認識配列に含まれる場合は、制限酵素による切断の有無によって解析することもできる（ＲＦＬＰ（ＲｅｓｔｒｉｃｔｉｏｎＦｒａｇｍｅｎｔＬｅｎｇｔｈＰｏｌｙｍｏｒｐｈｉｓｍ）法）。この場合、まず、ＤＮＡ試料を制限酵素により切断する。次いで、ＤＮＡ断片を分離し、検出されたＤＮＡ断片の大きさによってどのタイプの多型であるかを決定することができる。

また、ハイブリダイゼーションの有無を調べることによって多型の種類を解析することも可能である。すなわち、各塩基に対応するプローブを用意し、いずれのプローブにハイブリダイズするかを調べることによってＳＮＰがいずれの塩基であるかを調べることもできる。

このようにして、本ＳＮＰセットの各ＳＮＰに関して、対象者の遺伝子型データを決定することができる。なおここで、「対象者の遺伝子型データ」とは、対象者の有する遺伝子型情報をいう。

次いで、本ＳＮＰセットの遺伝子型情報に基づいて、本疾患のリスクを判定する。リスクの判定には、任意のモデルを用いることができる。モデルとしては、特に制限されないが、例えば、本ＳＮＰセットの遺伝子型情報を用いて、対象者の遺伝子型データから算出される特徴量を入力とし、本疾患のリスクを出力とするロジスティック回帰モデルを用いることができる。当該ロジスティック回帰モデルは、予め、本疾患に罹患したヒトの遺伝子型データと、本疾患に罹患していないヒトの遺伝子型データと、を学習データとして用いてパラメータを機械学習している。

また、疾患のリスクを判定するモデルとしては、ロジスティック回帰モデルに代えて、多層パーセプトロン、ＣＮＮ（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ）及びＲＮＮ（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋ）などのニューラルネットワーク、ガウシアンカーネル等の任意のカーネル関数を用いるサポートベクターマシーン、回帰木としてモデル化したランダムフォレスト、重回帰分析、隠れマルコフモデルなどを利用したモデル、統計モデルや確率モデルなど種々の他のモデルを採用することもできる。また、種々のモデルを組み合わせて総合的な判定を行うモデルを採用することもできる。

次いで、モデルを用いた本疾患のリスク判定の一例について説明する。まず、本疾患のリスクの判定をする対象者の遺伝子型データを、モデルに入力可能な特徴量に変換する。本実施形態の方法における特徴量は、例えば、本ＳＮＰセットの各ＳＮＰについて、対象者の遺伝子型データがホモ接合型（ＡＡ）、ホモ接合型（ＢＢ）、又はヘテロ接合型（ＡＢ）のいずれであるかを示すパラメータである。遺伝子型は、相同染色体のＳＮＰが共にＧ（グアニン）であることを示す“ＧＧ”や、一方がＧ（グアニン）で、他方がＡ（アデニン）であることを示す“ＡＧ”などヌクレオチドにより表記されることが一般的であるため、対象者の遺伝子型データを、本ＳＮＰセットの遺伝子型情報を用いるモデルに入力可能なパラメータに変換する。しかし、モデルが、このようなパラメータへの変換の必要がないものである場合には、上記変換は必要とされない。

対象者の遺伝子型データの特徴量への変換は、例えば、本ＳＮＰセットに含まれるＳＮＰ１つ１つに関して、対象者の遺伝子型データに値を付すことにより行うことができる。例えば、各ＳＮＰについて、対象者の遺伝子型データがホモ接合型（ＡＡ）、ホモ接合型（ＢＢ）、又はヘテロ接合型（ＡＢ）のいずれに該当するのかに応じて、そのＳＮＰに値（例えば、０又は１）を対応づける。これにより、対象者の遺伝子型データを特徴量に変換することができる。なお、以下では、各ＳＮＰに対応させる値を０又は１とした場合を例に説明するが、ＳＮＰに対応させる値は０又は１の２つの値に限られるものではない。

接合型に対応づける値はＳＮＰごとに決めることができる。例えば、あるＳＮＰは、対象者の遺伝子型データがホモ接合型（ＡＡ）である場合に値１を対応付け、ホモ接合型（ＢＢ）及びヘテロ接合型（ＡＢ）である場合に値０を対応付けるようにし、他のＳＮＰは、対象者の遺伝子型データがヘテロ接合型（ＡＢ）である場合に値１を対応付け、ホモ接合型（ＡＡ）及びホモ接合型（ＢＢ）である場合に値０を対応付けるようにしてもよい。そのほか、対象者の遺伝子型データがヘテロ接合型（ＡＢ）及びホモ接合型（ＢＢ）である場合に値１を対応付け、ホモ接合型（ＡＡ）である場合に値０を対応付けるようにしてもよい。

上記のように、対象者の遺伝子型データを特徴量に変換することができる。この特徴量への変換において対応付けに使用する値は、任意に決定することができる。例えば、上記非特許文献に基づいて、もともと各ＳＮＰが関連する疾患に関係の高い遺伝子型に対して値１を対応付けるようにし、かつ、各ＳＮＰが関連する疾患に関係の低い遺伝子型に対して値０を対応付けるようにすることができる。

このような、ＳＮＰごとの接合型とその接合型に対応付ける値の関係は、図１のような本ＳＮＰセットの遺伝子型情報をもとに、例えば、図２のような変換テーブルとして表すこともできる。図２の変換テーブルでは、網掛けをした遺伝子型と一致する場合にはそのＳＮＰに対応付ける値を１とし、一致しない場合には対応付ける値を０とする。なお、図１及び２の具体的な遺伝子型の表記において、Ａはアデニン、Ｇはグアニン、Ｃはシトシン、Ｔはチミンを示す。但し、特徴量の変換テーブルの形式は、図２に限定されるものではない。

最後に、本ＳＮＰセットの遺伝子型情報に基づいて、対象者の本疾患のリスクを判定する。より具体的には、本ＳＮＰセットの遺伝子型情報に基づく変換テーブルを用いて、対象者の遺伝子型データを、モデルに入力可能に変換した特徴量として算出し、当該特徴量を所定の判定モデルに入力し、対象者の本疾患のリスクを判定することができる。

判定モデルにおいて、特徴量には、本ＳＮＰセットのＳＮＰごとに、本疾患のリスクと正の相関があることを表す重みづけや、本疾患のリスクと負の相関があることを表す重みづけをすることができる。例えば、rs6496932、rs12688220、及びrs12477314に対応付けた値（特徴量）ついては、本疾患のリスクと正の相関があることを表す重みづけを行い、
rs430727、rs9373124、rs4895441、及びrs1862513に対応付けた値（特徴量）ついては、本疾患のリスクと負の相関があることを表す重みづけを行い、rs1934179に対応付けた値（特徴量）ついては、その遺伝子型に応じて本疾患のリスクと正の相関又は負の相関があることを表す重みづけを行うことができる。

例えば、特徴量に対して重みづけを行う場合には、rs1934179の遺伝子型がTC、rs6496932の遺伝子型がCC、rs12688220の遺伝子型がTC、及びrs12477314の遺伝子型がCCである場合に、本疾患のリスクと正の相関があることを表す重みづけを行い、
rs430727の遺伝子型がAG又はAA、rs1934179の遺伝子型がCC、rs9373124の遺伝子型がTC、rs4895441の遺伝子型がAG、及びrs1862513の遺伝子型がGCである場合に、本疾患のリスクと負の相関があることを表す重みづけを行うことができる。また、特徴量として値０を対応付けた各ＳＮＰの遺伝子型の場合には、本疾患のリスクと相関がない或いは無視しうる程度に低いものと評価することができる。

このような、本疾患のリスクとの相関を表す重みづけは、本疾患に罹患したヒトの遺伝子型データと、本疾患に罹患していないヒトの遺伝子型データと、を学習データとして用いてパラメータを機械学習することにより特定される。この際、あるモデルにおいて、あるＳＮＰが本疾患のリスクと正の相関があることを表す重み付けがなされるとした場合、他のモデルにおいても同様にそのＳＮＰは本疾患のリスクと正の相関があることを表す重み付けがなされることが通常である。すなわち、モデルの種類等によって、あるＳＮＰにおいて本疾患のリスクとの相関関係が逆になるような事態は想定し難い。なお、重みづけの具体的な値はモデルによって異なり、特に制限されるものではない。

ここで、本ＳＮＰセットのなかで本疾患のリスクと正の相関があることを表す重みづけを行うＳＮＰのまとまりを「正相関ＳＮＰセット」といい、本疾患のリスクと負の相関があることを表す重みづけを行うＳＮＰのまとまりを「負相関ＳＮＰセット」という。本ＳＮＰセットは、正相関ＳＮＰセットと負相関ＳＮＰセットとを含むものであり、このような本ＳＮＰセットの遺伝子型情報に基づくことにより、対象者の本疾患のリスクを、リスクが上昇する要因とリスクが低下する要因の両面を総合して判定することができる。

上記のようにして得られる判定結果は、本疾患の専門医が本疾患を診断する際の補助としても用いられる。また、上記のようにして判定した本疾患のリスクと、対象者からのアンケート結果とに基づいて、本疾患のリスクの判定結果は補正されしてもよい。また、本疾患のリスクと、対象者からのアンケート結果とに基づいて、対象者に対して、生活改善に関するアドバイスを出力してもよい。

本発明は、プライマーやプローブなどの検査試薬を提供することもできる。このようなプローブとしては、上記ＳＮＰ部位を含み、ハイブリダイズの有無によってＳＮＰ部位の塩基の種類を判定できるプローブが挙げられる。また、プライマーとしては、上記ＳＮＰ部位を増幅するためのＰＣＲに用いることのできるプライマー、又は上記ＳＮＰ部位をシーケンス解析するために用いることのできるプライマーが挙げられる。本実施形態の検査試薬はこれらのプライマーやプローブに加えて、ＰＣＲ用のポリメラーゼやバッファー、ハイブリダイゼーション用試薬などを含むものであってもよい。

以下、本実施形態を実施例によりさらに具体的に説明する。但し、本実施形態はこれらの実施例に限定されない。

本ＳＮＰセットと本疾患との関連性を、以下のように検証した。

遺伝子解析サービスの利用者７万３千人以上から、利用者の同意のもと、唾液試料と、各種疾患の罹患情報を収集した。罹患情報とは、例えば、本疾患に罹患している場合に１、罹患していない場合に０となる数値である。唾液試料から、利用者ごとの遺伝子型データを特定し、利用者の遺伝子型データと各種罹患情報とを対応付けたデータベースを構築した。このデータベースの中から、本疾患に罹患している被検者１３０名と、罹患していないコントロール１３０名との症例対照セットを構築した。

次いで、被検者及びコントロールの本ＳＮＰセットの各ＳＮＰの遺伝子型を、２つのホモ接合型（ＡＡ，ＢＢ）と、ヘテロ接合型（ＡＢ）に分類した。そして、遺伝子型が図２に示す網掛けをした変換テーブルの遺伝子型と一致する場合には、ｘ_iの値を１とし、一致しない場合には０として、ｘ₁～ｘ_Nを以下の数式（１）で表されるロジスティック回帰モデルの説明変数とした。例えば、ｒｓ１２４７７３１４の場合は、遺伝子型が“ＣＣ”であるときにｘ₁の値を１とし、遺伝子型が“ＴＴ”又は“ＴＣ”であるときにはｘ₁の値を０とした。なお、本実施例ではＮ＝１０である。また、以下の数式で表されるロジスティック回帰モデルの目的変数は、本疾患に罹患している確率を表す０から１の間の値ｐ（罹患情報）とした。

α＝０．１

１．ＡＵＣによるモデルの検証
本ＳＮＰセットを用いた判定方法の精度について説明する。上記データベースから、テスト用に、利用者の遺伝子型情報と罹患情報とを対応付けたデータセットを作成した。データセットにおける各利用者の本ＳＮＰセットの各ＳＮＰの遺伝子型を、ホモ接合型（ＡＡ，ＢＢ）と、ヘテロ接合型（ＡＢ）に分類し、分類した各遺伝子型が図２に示す網掛けをした遺伝子型と一致する場合には、ｘ_iの値を１と評価し、一致しない場合には０と評価して、ｘ₁～ｘ_Nを特徴量として算出した。

利用者毎の本ＳＮＰセットに関する特徴量を上記ロジスティック回帰モデル（以下、「判定モデル」ともいう。）に入力し、各利用者が本疾患に罹患しているか否かを予測し、その偽陽性率と真陽性率を算出し、ＲＯＣ（ＲｅｃｅｉｖｅｒＯｐｅｒａｔｉｎｇＣｈａｒａｃｔｅｒｉｓｔｉｃ）曲線とＡＵＣ（ＡｒｅａＵｎｄｅｒｔｈｅＣｕｒｖｅ）をそれぞれ求めた。より具体的には、判定モデルについて５分割交差検証を行い、５つのＲＯＣ曲線（ＲＯＣｆｏｌｄ１からＲＯＣｆｏｌｄ５）を求めて、その平均（ＭｅａｎＲＯＣ）と標準偏差（±１ｓｔｄ．ｄｅｖ．）を求めた。図３中の破線（Ｌｕｃｋ）は、本疾患に罹患しているか否かをランダムに出力する場合であり、予測能力が無いモデルのＲＯＣ曲線に対応している。

また、同様にして、本ＳＮＰセットから１つのＳＮＰを除いた各比較ＳＮＰセットに対して、上記と同様にそれぞれロジスティック回帰モデル（以下、「比較判定モデル」ともいう。）を作成した。そして、各比較ＳＮＰ関する特徴量を各比較判定モデルに入力し、各利用者が本疾患に罹患しているか否かを予測し、偽陽性率と真陽性率を算出し、ＲＯＣ曲線とＡＵＣをそれぞれ求めた。その結果を図４以降に示す。

本ＳＮＰセットを用いて本疾患を判定した場合、ＡＵＣは０．８２±０．０７であり、ランダムな出力の場合（ＡＵＣ＝０．５）と比べて有意に高く、本ＳＮＰセットを用いる判定モデルの予測能力が高いことが確認できる。

一方、各比較ＳＮＰセットを用いる比較判定モデルの場合、ＡＵＣは本ＳＮＰセットを用いる場合よりも低い。従って、各比較ＳＮＰセットを用いる比較判定モデルのＡＵＣは、ランダムな出力の場合（ＡＵＣ＝０．５）よりも高いものの、本ＳＮＰセットを用いる判定モデルのＡＵＣ（０．８２±０．０７）よりも総じて低いことが確認できる。

よって、本ＳＮＰセットに含まれるＳＮＰ全てを用いて判定することで、本ＳＮＰセットから１つのＳＮＰを除いた各比較ＳＮＰセットを用いる場合よりも、本疾患に罹患しているか否かを高精度で予測できることが分かった。

２．ウィルコクソンの順位和検定による検証
本ＳＮＰセットを用いる判定モデルが、各比較ＳＮＰセットを用いる比較判定モデルよりも有意に優れたモデルであることを確かめるために、ノンパラメトリック検定の一種であるウィルコクソンの順位和検定を行った。具体的には、本ＳＮＰセットを用いる判定モデルのＡＵＣと、各比較ＳＮＰセットを用いる比較判定モデルのＡＵＣとに差が無いという帰無仮説を設定し、有意水準を０．０１としてウィルコクソンの順位和検定を行った。

その結果、ｐ値は、ｒｓ１２４７７３１４を除外した比較ＳＮＰセットにおいては５．１９×１０^-18であり、ｒｓ６４９６９３２を除外した比較ＳＮＰセットにおいては４．６×１０^-18であり、ｒｓ４３０７２７（ＡＡ）を除外した比較ＳＮＰセットにおいては４．２×１０^-18であり、ｒｓ４３０７２７（ＡＧ）を除外した比較ＳＮＰセットにおいては４．０８×１０^-18であり、ｒｓ１９３４１７９（ＣＣ）を除外した比較ＳＮＰセットにおいては５．１９×１０^-18であり、ｒｓ１９３４１７９（ＴＣ）を除外した比較ＳＮＰセットにおいては４．２×１０^-18であり、その他の比較ＳＮＰセットにおいてはいずれも３．９６×１０^-18であり、最大でも５．１９×１０^-18であることから、帰無仮説が棄却されることが確認された。すなわち、本ＳＮＰセットを用いる判定モデルのＡＵＣと、各比較ＳＮＰセットを用いる比較判定モデルのＡＵＣとは、統計的に有意な差があり、本ＳＮＰセットを用いる判定モデルは、各比較ＳＮＰセットを用いる比較判定モデルよりも優れたモデルであるといえる。

上記のとおり、本実施形態の方法は、本疾患に罹患しているか否かを予測する精度が、ランダムな予測の場合の精度よりも有意に高いという効果を有する。また、本実施形態の方法は、本ＳＮＰセットの遺伝子型情報に基づく本疾患の判定の結果と、比較ＳＮＰセットの遺伝子型情報に基づく本疾患の判定の結果との間に、有意な差があるという効果を有する。当該効果は、本ＳＮＰセットの遺伝子型情報と本疾患の間に、これまで見出されていなかった潜在的な相関性があることに基づくものであると考えられる。上記で例示したロジスティック回帰モデルやその他のモデルは、本ＳＮＰセットの遺伝子型情報を前提として、本疾患に罹患したヒトと本疾患に罹患していないヒトの遺伝子型に関するデータと罹患情報を学習データとして用いてパラメータを機械学習することなどにより得られるものである。すなわち、いずれのモデルも上記潜在的な相関性を表す一つの表現型に過ぎず、本実施形態の方法の実施において使用されるモデルの種類は特に限定されるものではない。

本発明の方法は、医療やヘルスケアに関連する分野において、本疾患のリスクを判定し、その予防および／または治療に貢献するものである。

Claims

妊娠糖尿病に罹患したヒトの遺伝子型データと、妊娠糖尿病に罹患していないヒトの遺伝子型データと、を学習データとして用いて機械学習したモデルを用いて、妊娠糖尿病と正の相関があるrs6496932、rs12688220、及びrs12477314と、妊娠糖尿病と負の相関があるrs430727、rs9373124、rs4895441、及びrs1862513と、妊娠糖尿病と正の相関又は負の相関があるrs1934179を少なくとも含む一塩基多型セットの遺伝子型情報であって、
rs1934179の遺伝子型がTC、rs6496932の遺伝子型がCC、rs12688220の遺伝子型がTC、rs12477314の遺伝子型がCC、rs430727の遺伝子型がAG又はAA、rs1934179の遺伝子型がCC、rs9373124の遺伝子型がTC、rs4895441の遺伝子型がAG、及びrs1862513の遺伝子型がGCであるか否かに関する遺伝子型情報に基づいて、妊娠糖尿病のリスクを判定する、方法。
リスクの判定を受ける対象者の体液サンプル、細胞サンプル又は体毛を用いる、請求項１に記載の方法。