---
type: paper
slug: seok-ju-hahn-2022-t2d-prs-metabolic
title: >-
  Prediction of type 2 diabetes using genome-wide polygenic risk score and
  metabolic profiles: A machine learning analysis of population-based 10-year
  prospective cohort study
authors:
  - '[[seok-ju-hahn]]'
  - '[[suhyeon-kim]]'
  - '[[young-sik-choi]]'
  - '[[junghyelee]]'
  - '[[jihun-kang]]'
year: 2022
venue: '[[ebiomedicine]]'
categories:
  - '[[medical-ai]]'
  - '[[bioinformatics]]'
methods:
  - '[[random-forest]]'
  - '[[polygenic-risk-score]]'
  - '[[multi-modal-integration]]'
themes:
  - '[[type-2-diabetes-prediction]]'
  - '[[genome-wide-polygenic-risk]]'
  - '[[metabolomics]]'
aliases: []
last_updated: '2026-05-17T21:30:00+09:00'
---
# Prediction of type 2 diabetes using genome-wide polygenic risk score and metabolic profiles: A machine learning analysis of population-based 10-year prospective cohort study

*[[seok-ju-hahn]], [[suhyeon-kim]], [[young-sik-choi]], [[junghyelee]], [[jihun-kang]] (2022)* · [[ebiomedicine]]

> [[junghyelee]] 의 *의료 AI 대표작* — 58 회 인용. **제 2 형 당뇨 (T2D) 의 10 년 종단 예측** — *genome-wide Polygenic Risk Score (gPRS, 239,062 변이)* + *대사체 (serum metabolites)* + *임상 지표* 의 *다중 모달 통합*. **Random Forest AUC 0.844** (임상만 0.779) — 다중 모달 +0.065. 아시아 특이적 gPRS 의 *유효성 입증*. *KoGES 코호트 10 년 추적*.

- **RQ**: *Genome-wide PRS (239k 변이) + 대사체 + 임상 지표* 의 다중 모달 결합이 *T2D 10 년 예측* 의 성능 한계를 어떻게 개선하는가? 아시아 특이적 gPRS 의 유효성은?
- **방법론**: [[multi-modal-integration]] — gPRS (genome-wide) + serum metabolites + clinical indicators + [[random-forest]] / 다른 ML
- **데이터**: KoGES (Korean Genome and Epidemiology Study) — *10 년 prospective cohort*
- **주요 발견**: (1) **Random Forest AUC 0.844** (다중 모달) vs **0.779** (clinical only) — *+0.065 향상*. (2) gPRS (239,062 SNPs) 가 아시아 인구에서 유효. (3) 대사체 추가가 추가 예측력. (4) *10 년 종단 추적* 의 *실용적 임상 시나리오*.
- **시사점**: T2D 의 *조기 식별* 에 PRS + 대사체 + 임상 의 *통합 사용*. 한국·아시아 인구의 *특이적 gPRS* 의 임상 활용 가능성.

![gPRS·대사체·임상 지표 다중 모달 통합 기반 제 2 형 당뇨 10 년 예측 파이프라인 개요.](/papers/202212_HahnSJ_Prediction_of_type_2_diabetes_using_genome_wide_polygenic_risk_score_and_metabolic_profiles_A_machine_learning_analysis_of_population_based_10_year_prospective_cohort_study/fig1.png)

## 요약

이 paper 는 [[junghyelee]] 의 *2 기 UNIST 후반 의 *의료 AI 대표작* — *eBioMedicine* (Lancet 계열 영향력 있는 medical journal) 발표, 58 회 인용. [[seok-ju-hahn]] (SuPerFed 의 같은 제 1 저자) + [[suhyeon-kim]] + 가정의학 + 의학통계학 동료의 *학제간 협업*.

방법론적 핵심: **3 modal 통합**:
1. **gPRS (genome-wide PRS)** — 239,062 SNP variants 의 가중합. T2D 관련 GWAS 결과를 기반으로 아시아 인구 calibration.
2. **Serum metabolites** — 혈청 대사체 (lipids, amino acids 등). LC-MS/MS 정량.
3. **Clinical indicators** — 혈압, BMI, 공복혈당, 가족력 등.

세 modal 을 *concatenate* 후 [[random-forest]] (또는 XGBoost 등) 학습. KoGES 의 *10 년 종단 코호트* 사용 — *baseline 측정 + 10 년 후 T2D 발생 확인*. Train/test split 으로 generalization 평가.

핵심 발견:
- **AUC 0.844** (다중 모달) vs *0.779* (clinical only) — *+0.065 향상*. *10% 가까운 relative improvement*.
- *gPRS alone* 도 유의한 예측력 (AUC ~0.65-0.70), *clinical alone* 보다 *추가적 정보* 제공.
- *Metabolites alone* 도 유의 — *대사체 가 임상 + 유전 사이의 layer*.
- 다중 모달의 *시너지* — single modal 단독 합보다 우월.

[[junghyelee]] 의 *연구 궤적* 안에서 이 paper 는 *실타래 3 (Healthcare AI) 의 정점*. [[wonji-lee-2014-hypertension-classification]] (단순 분류기) → [[junghye-lee-2016-bayesian-network-hypertension]] (BN) → 본 paper (다중 모달 ML) 의 *의료 AI 진화*. 또 [[suhyeon-kim-2022-rsae-biological-age]] 와 *2022 동시기 의료 AI 작업*.

## 핵심 결과

| 모형 | AUC |
|---|---:|
| Clinical only | 0.779 |
| Clinical + gPRS | ~0.81 |
| Clinical + Metabolites | ~0.82 |
| **Clinical + gPRS + Metabolites (Full)** | **0.844** |
| 향상 (vs clinical) | **+0.065** |
| gPRS SNP 수 | 239,062 |
| Cohort | KoGES (10 년 prospective) |
| 인용 수 | 58 |

## 방법론 노트

[[polygenic-risk-score]] (PRS):

$$
\text{PRS}_i = \sum_{j=1}^{S} \beta_j \cdot X_{ij}
$$

$X_{ij}$ = individual $i$ 의 SNP $j$ allele 수 (0/1/2), $\beta_j$ = GWAS effect size. Genome-wide → S=239,062.

다중 모달 학습:

$$
\hat{y}_i = f(\text{Clinical}_i, \text{PRS}_i, \text{Metabolites}_i)
$$

$f$ = Random Forest (또는 XGBoost, neural network). 모든 features concatenate 후 RF.

식별 가정: (i) gPRS 의 *아시아 인구 calibration*, (ii) 대사체 measurement 의 *정확성*, (iii) 10 년 추적의 *완전성 (low attrition)*, (iv) RF 의 *non-linear interaction 포착*.

## 연구 계보

이 paper 는 (i) International Schizophrenia Consortium (2009) 의 PRS 본가, (ii) Khera et al. (2018) genome-wide PRS for T2D 정통, (iii) [[junghye-lee-2016-bayesian-network-hypertension]] · [[suhyeon-kim-2022-rsae-biological-age]] 등 의료 AI 라인 — 의 결합. [[junghyelee]] 의 *연구 궤적* *실타래 3 의 정점*.

## See also

- [[junghyelee]]
- [[seok-ju-hahn]]
- [[suhyeon-kim]]
- [[polygenic-risk-score]]
- [[random-forest]]
- [[multi-modal-integration]]
- [[type-2-diabetes-prediction]]
- [[medical-ai]]
- [[ebiomedicine]]