高血压是常见的慢性病之一,是一种基因与环境共同作用的多基因遗传疾病,也是心血管疾病的重大风险因素之一。近些年来,全基因组关联分析(Genome-wide Association Study,GWAS)在研究基因与疾病的关联方面,取得巨大成就。截止到2020年3月,GWAS已经发现与各种疾病或性状相关的单核苷酸多态性(Single Nucleotide Polymorphism,SNP)位点超过12万个。随着与高血压有关的SNPs的发现,研究者可以从基因层面上探究遗传因素对高血压疾病的影响。近几年来,机器学习中使用数据驱动的模型和学习算法成为图像处理、自然语言处理和目标检测等领域的研究热点,也有很多学者将机器学习方法运用到医学问题中,例如医学影像的诊断。本论文使用目前GWAS发现的与血压调控有关的SNPs,以机器学习方法为基础,尝试对高血压疾病风险进行预测。预测包括对高血压患病状态的预测和血压值的预测,其中血压值包括收缩压(Systolic Blood Pressure,SBP)、舒张压(Diastolic Blood Pressure,DBP)和脉压差(Pulse Pressure,PP)。采用的机器学习方法包括基于前馈全连接网络的人工神经网络(Artificial Neural Network,ANN)和Light GBM(Light Gradient Boosting Machine)方法。ANN在大样本问题上优于一般机器学习方法,Light GBM能为每个输入的特征提供重要性评分,从而识别出对高血压和血压值预测能力较强的SNPs,为探究基因之间的交互作用提供线索。本论文使用的数据来自UK biobank,使用的数据样本量是214,867,预测变量分为三大类:(1)年龄、性别、身高体重指数(Body Mass Index,BMI)三个影响高血压的常见因素;(2)与心血管、肾和血球计数有关22个生物标记物;(3)与血压调控有关的602个SNP位点。本论文主要的工作和结果如下:在使用所有预测变量和50个节点的单隐藏层ANN的高血压风险预测模型中,高血压患病状态预测模型的准确率为0.8392,AUC(Area Under Curve)值0.9128;预测血压值解释了SBP、DBP和PP血压值方差的26.75%、23.93%和24.36%。通过使用不同类别预测变量进行预测并对结果进行比较,我们发现各类预测变量对结果的影响基本成加性关系。在单隐藏层单节点ANN中,只加入年龄、性别、BMI这三个预测变量,高血压患病状态预测模型的准确率为0.7751,对SBP、DBP和PP血压值方差的解释分别为16.06%、12.74%和17.61%。SNP的加入使准确率增加了0.0268,对SBP、DBP和PP血压值方差的解释分别增加了2.99%、3.20%和3.14%。生物标记物的加入使准确率增加了0.0453,对SBP、DBP和PP血压值方差的解释分别增加了7.31%、7.78%和4.57%。这表明SNP数据的加入可以提高模型的预测能力,但是预测能力远远低于性别、年龄、BMI等影响高血压的常见因素,也低于与心血管等有关的生物标记物。SNP和生物标记物的加入使准确率增加了0.061,对SBP、DBP和PP血压值方差的解释分别增加了9.42%、11.16%和7.50%。多隐藏层ANN的结果和单隐藏层ANN的结果基本相同,这说明SNP-SNP交互作用以及SNP-生物标记物交互作用对高血压和血压值的预测能力非常小。基于Light GBM模型的结果与基于ANN的结果相近。使用所有预测变量,基于Light GBM的高血压患病状态预测的准确率为0.8349,AUC值0.9148;预测血压值分别解释了SBP、DBP和PP血压值方差的27.17%、23.96%和25.83%。根据Light GBM对预测变量的重要性排序,SNP对于高血压和血压值的预测重要性也明显低于年龄、BMI和生物标记物。另外,在所有SNPs中,排名整体比较靠前的有5个,分别为:11643209、rs4385883、rs2521501、10787517和rs592373。