Skóre polygenního rizika a jeho význam pro vznik nádorů
Authors:
A. Mišove; E. Macháčková; K. Nováková; M. Svoboda
Authors‘ workplace:
Centrum lékařské genetiky, MOÚ, Brno
Published in:
Klin Onkol 2026; 39(Supplementum 1): 12-16
Category:
Review
doi:
https://doi.org/10.48095/ccko2026S12
Overview
Východiska: Skóre polygenního rizika (PRS) zpřesňuje stratifikaci vrozené predispozice k nádorům a jako doplněk monogenního testování může odhalit zvýšené genetické riziko i u osob bez známé patogenní varianty ve vysoce či středně penetrantních genech. Vychází přitom z aditivního působení velkého počtu nízce penetrantních variant napříč genomem a vyjadřuje kontinuum genetické predispozice s přibližně normálním rozložením. Klinicky nejvýraznější rozdíly se typicky pozorují u jedinců v horních a dolních percentilech distribuce PRS, přičemž velikost relativního efektu se liší napříč diagnózami a závisí na konkrétním modelu i zvolené referenční skupině. PRS totiž nepředstavuje jednotný test, nýbrž rodinu statistických modelů lišících se konstrukcí, predikční schopností a přenositelností napříč populacemi, což podtrhuje potřebu externí validace a kalibrace odhadovaného rizika v cílové populaci. Heterogenita modelů PRS, omezená přenositelnost a dosud nejednotná doporučení pro indikaci, reportování a klinické rozhodování patří mezi hlavní překážky širší implementace. V rámci Evropské unie je proto klinické využití převážně koncentrováno do pilotních studií a lokálních projektů. V klinicky orientovaných studiích se pak PRS nejčastěji uplatňuje dvěma způsoby, a to buď jako triážní nástroj pro indikaci intenzivnějšího diagnostického postupu nebo režimu sledování u osob ve zvýšeném riziku, nebo jako součást multifaktoriálních modelů absolutního rizika (např. BOADICEA/CanRisk), které integrují PRS s dalšími rizikovými faktory – např. s nosičstvím patogenní varianty ve středně penetrantním genu (např. ATM a CHEK2), rodinnou anamnézou či životním stylem. V rámci těchto modelů může PRS zpřesňovat odhad absolutního rizika a tím posouvat jednotlivce přes indikační prahy pro intenzivnější sledování a prevenci. Cíl: Následující přehled shrnuje princip PRS, hlavní zdroje variability mezi modely a možnosti jeho využití pro stratifikaci rizika a personalizaci screeningu nádorových onemocnění. Současně diskutuje limity přenositelnosti, nutnost kalibrace i dosud omezené důkazy o tom, zda přesnější stratifikace rizika povede ke zlepšení klinických výsledků.
Klíčová slova:
stratifikace rizika – polygenní rizikové skóre – multifaktoriální dědičnost – genetická predispozice k nemoci – onkologická prevence – časná detekce nádoru
Úvod
Vznik nádorových onemocnění je výsledkem komplexní interakce genetických a environmentálních faktorů, jejichž relativní podíl se liší napříč jednotlivými diagnózami. Epidemiologické studie dlouhodobě ukazují, že řada nádorů se v rodinách vyskytuje častěji, než by odpovídalo náhodě [1–3], přičemž studie na dvojčatech nám pomáhají odhadnout, jaký podíl variability rizika vzniku nádorů v populaci lze v daném prostředí a čase přičíst genetickým rozdílům mezi jedinci (box 1). Klíčovým příspěvkem v této oblasti byla rozsáhlá studie konsorcia NorTwinCan [4], která na základě dlouhodobého sledování > 200 000 skandinávských dvojčat odhadla celkovou dědivost nádorových onemocnění na ~33 %, a to při zohlednění sdílených environmentálních faktorů. Nejvyšší odhady dědivosti u solidních nádorů byly pak pozorovány u melanomu (58 %), karcinomu prostaty (57 %) a karcinomu vaječníků (39 %) [4].
95% CI reportovaných v původních studiích.
CA – karcinom, CI – interval spolehlivosti, OR – poměr šancí, PRS – polygenní rizikové skóre
Genetické mechanizmy vrozené predispozice k nádorům nejsou jednotné a na základě aktuálních poznatků je lze v kontextu klinické genetiky konceptuálně rozdělit do dvou základních kategorií:
- vzácné zárodečné varianty ve vysoce či středně penetrantních genech;
- polygenní složka tvořená aditivním efektem velkého počtu nízce penetrantních variant napříč genomem.
Celkové riziko onemocnění je pak v různé míře modifikované prostředím a životním stylem.
Monogenní a polygenní složky vrozené dispozice k nádorům
Tradičně se udává, že patogenní zárodečné varianty v nádorových predispozičních genech vysvětlují vznik 5–10 % nádorů [5]. Varianty ve středně (např. ATM, CHEK2) či vysoce (např. BRCA1/2, TP53, MLH1) penetrantních genech významně zvyšují celoživotní riziko jednotlivce [6,7], nicméně jejich nízká populační frekvence vysvětluje jen omezenou část pozorované dědivosti nádorových onemocnění na populační úrovni [8,9]. Tento nesoulad je historicky označován jako „problém chybějící dědivosti“ (missing heritability problem) a vedl k hypotéze, že kumulativní efekt mnoha nízce penetrantních variant by mohl objasnit další část dědičné složky rizika [9,10].
Průlom v tomto ohledu přinesly rozsáhlé celogenomové asociační studie, které systematickým porovnáváním frekvencí genetických variant mezi velkými soubory onkologických pacientů a zdravých kontrol identifikovaly tisíce běžných variant spojených s rizikem vzniku nádorů [11]. Zatímco každý jednonukleotidový polymorfizmus (single-nucleotide polymorphisms – SNP) má samostatně jen nepatrný vliv (OR (odds ratio) < 1,2), jejich kumulativní efekt, vyjádřený prostřednictvím PRS, může podstatně ovlivnit celoživotní riziko onemocnění [11,12].
Princip PRS a heterogenita jednotlivých modelů
Na rozdíl od binární povahy vysoce penetrantních monogenních variant představuje PRS kontinuum rizika, které po standardizaci vykazuje přibližně normální rozložení v populaci. Klinicky nejvýraznější rozdíly se typicky pozorují na koncích distribuce, kdy jedinci v horním decilu (90.–100. percentil) mohou mít ve srovnání se středním kvintilem (40.–60. percentil) významně vyšší riziko onemocnění, přičemž velikost efektu se liší v rámci jednotlivých diagnóz (obr. 1). U karcinomu prsu je riziko onemocnění evropských žen v horním decilu PRS přibližně dvojnásobné (OR ≈ 2,0) [13,14]. Podobný efekt byl pozorován u karcinomu kolorekta (colorectal cancer – CRC) (OR ≈ 2,2) [15], slinivky (OR ≈ 2,3) [16] i ovaria (OR ≈ 1,9) [17], zatímco u karcinomu prostaty je efekt výraznější – evropští muži v horním decilu PRS vykazují OR v rozmezí 3,8–5,1 ve srovnání s muži ve středním kvintilu [18,19].
Tyto hodnoty je však nutné chápat v kontextu konkrétních modelů – PRS totiž nepředstavuje jednotný test, ale rodinu statistických modelů lišících se konstrukcí i predikční schopností. PRS se vždy kalibruje vůči konkrétní referenční populaci, přičemž jednotlivé modely nemusí být plně přenositelné do odlišných populací, zejména napříč etniky [20,21]. Zatímco některé modely zahrnují pouze desítky až stovky nejsilněji asociovaných SNP [14–16], jiné využívají tisíce až statisíce variant napříč celým genomem [17]. Prediktivní síla PRS přitom obvykle neroste lineárně s počtem zahrnutých variant a po určitém bodě přináší další rozšiřování modelu už jen marginální zisk, mnohdy za cenu vyššího statistického šumu a horší přenositelnosti napříč populacemi [21–23].
Klinický potenciál přesnější stratifikace rizika onemocnění
Skutečnost, že PRS umožňuje identifikovat jedince se zvýšenou vrozenou nádorovou dispozicí i v situaci, kdy je standardní testování vysoce a středně penetrantních genů negativní, představuje potenciálně významný přínos. Přesnější odhad individuálního absolutního rizika onemocnění otevírá prostor pro personalizaci preventivních postupů a screeningu z hlediska věku zahájení, frekvence i volby modality.
Tento princip dobře ilustruje prospektivní britská studie BARCODE 1 u karcinomu prostaty [24], kde PRS založené na 130 SNP sloužilo jako triážní nástroj pro nabídku intenzivnější diagnostické cesty nezávisle na hladině prostatického specifického antigenu (PSA). Mužům ve věku 55–69 let v horním decilu PRS byla nabídnuta multiparametrická magnetická rezonance (mpMRI) a transperineální biopsie. Karcinom prostaty byl pak detekován u 40 % vyšetřených (187 z 468), přičemž více než polovina zachycených nádorů (103 z 187; 55,1 %) spadala dle NCCN (National Comprehensive Cancer Network) kritérií (2024) do středně či vysoce rizikové kategorie. Autoři zároveň uvádějí, že standardní britská diagnostická cesta založená na PSA > 3 µg/l a pozitivní mpMRI by u této skupiny vedla k přehlédnutí 71,8 % (74 z 103) klinicky významných případů [24].
V kontextu českých screeningových programů lze analogicky uvažovat o individualizaci věku zahájení a intervalů vyšetření u CRC. Vysoké PRS může posunout věk dosažení prahové kumulativní incidence o několik let a současně umožňuje stratifikovat reziduální riziko po negativní koloskopii na základě odhadu, že jedinci v horním decilu PRS mají ve srovnání s referenční skupinou (10.–90. percentil) přibližně dvojnásobné riziko postkoloskopického CRC [25]. U karcinomu plic bylo ukázáno, že po zohlednění klinických faktorů (zejména kouření a rodinné anamnézy) může PRS posunout věk indikačního prahu rizika pro nízkodávkové CT (v citované práci definovaný jako ≥ 1,5 % 5letého absolutního rizika) přibližně o 4–8 let [26].
Právě integrace PRS s dalšími rizikovými faktory je pak pro řadu diagnóz zásadní. Samotné PRS představuje pouze jednu složku nádorové etiologie a většinou má jen střední diskriminační schopnost, s plochou pod ROC (receiver operating characteristic) křivkou (area under the curve – AUC) typicky kolem 0,55–0,65 [14,17,27]. V klinické praxi je proto výhodnější PRS integrovat v rámci multifaktoriálních modelů absolutního rizika.
V onkogenetice je v současnosti nejrozšířenějším multifaktoriálním nástrojem model BOADICEA, který je v praxi většinou používán prostřednictvím webového rozhraní CanRisk. Jedná se o bezplatně dostupný nástroj, adaptovaný zejména v britském zdravotnictví, který byl validovaný na rozsáhlých kohortách pro predikci rizika karcinomu prsu [28], ovaria [29] a prostaty [30]. Vedle patogenních variant ve středně či vysoce penetrantních genech integruje řadu známých predikčních faktorů vč. rodinné anamnézy, PRS a mamografické denzity. Zařazení PRS do výpočtu BOADICEA/CanRisk může při použití prahových hodnot dle doporučení NCCN změnit doporučený postup přibližně u 1/4 žen se zatíženou rodinnou anamnézou a bez prokázané patogenní varianty [31]. Nejrozšířenější panel 313 SNP používaný k výpočtu PRS pro karcinom prsu [14] byl navíc již validován v české populaci [13,32]. PRS zároveň zpřesňuje odhad absolutního rizika u nositelek patogenních variant ve středně penetrantních genech (např. ATM a CHEK2), kde bez multifaktoriálního přístupu často pracujeme s širokými intervaly rizika. Integrace PRS pak může vést k reklasifikaci napříč indikačními prahy, což se může promítnout do intenzity sledování i do úvah o profylaktických operacích [31].
Limity a překážky implementace PRS
Navzdory narůstajícím důkazům, že PRS může zpřesnit stratifikaci populačního rizika, zůstává jeho zavádění do rutinní klinické praxe v rámci Evropské unie omezené převážně na pilotní implementace a lokální projekty. Klíčovou překážkou je metodická heterogenita jednotlivých modelů a potřeba externí validace a kalibrace absolutního rizika v cílové populaci. Aktuální debata se tak méně týká toho, zda PRS funguje v relativních ukazatelích (AUC, C-index), ale spíše se soustředí na to, jak se výsledky mění v závislosti na referenční populaci a při přenosu mimo tréninkovou kohortu. To je kritické zejména tam, kde klinické rozhodování stojí na absolutním riziku a prahových hodnotách, protože i relativně malé posuny v distribuci PRS mohou u některých osob změnit zařazení nad/pod klinicky významný práh [33].
Současně platí, že přesnější stratifikace sama o sobě nezaručuje výrazný pokles mortality, protože významná část nádorů vzniká mimo rizikovou část distribuce PRS [34]. Randomizovaná studie WISDOM [35] ukázala, že multifaktoriálně řízený, PRS-integrovaný přístup u žen ve věku 40–74 let byl při přibližně 5letém sledování karcinomu prsu non-inferiorní vůči každoroční mamografii z hlediska výskytu pokročilejších nádorů. Probíhající randomizované studie vč. MyPeBS [36] pak přinesou další poznatky o klinické účinnosti a bilanci nákladů/přínosů screeningu karcinomu prsu založeném na riziku.
Závěr
PRS zpřesňuje stratifikaci rizika, avšak jeho klinická hodnota závisí na kalibraci v cílové populaci. Nejedná se o samostatný test, nýbrž o jednu složku multifaktoriálního odhadu, která má největší klinický potenciál u osob, jejichž odhad absolutního rizika leží v blízkosti indikačních prahů. V rutinní praxi by proto mělo být PRS interpretováno společně s dalšími rizikovými faktory, zejména s výsledky testování patogenních variant ve vysoce či středně penetrantních genech, ideálně v rámci externě validovaných a pro danou populaci kalibrovaných modelů.
Dedikace
Podpořeno projektem SALVAGE (OP JAK; reg. č. CZ.02.01.01/00/22_008/0004644) – spolufinancováno Evropskou unií a státním rozpočtem České republiky.
Sources
1. Goldgar DE, Easton DF, Cannon-Albright LA et al. Systematic population-based assessment of cancer risk in first-degree relatives of cancer probands. J Natl Cancer Inst 1994; 86 (21): 1600–1608. doi: 10.1093/jnci/86.21.1600.
2. Hemminki K, Ji J, Brandt A et al. The Swedish family-cancer database 2009: prospects for histology-specific and immigrant studies. Int J Cancer 2010; 126 (10): 2259–2267. doi: 10.1002/ijc.24795.
3. Albright F, Teerlink C, Werner TL et al. Significant evidence for a heritable contribution to cancer predisposition: a review of cancer familiality by site. BMC Cancer 2012; 12 : 138. doi: 10.1186/1471-2407-12-138.
4. Mucci LA, Hjelmborg JB, Harris JR et al. Familial risk and heritability of cancer among twins in nordic countries. JAMA 2016; 315 (1): 68–76. doi: 10.1001/jama.2015.17703.
5. Garber JE, Offit K. Hereditary cancer predisposition syndromes. J Clin Oncol 2005; 23 (2): 276–292. doi: 10.1200/JCO.2005.10.042.
6. Kleiblová P, Novotný J, Cibula D et al. Doporučené postupy klinické péče o nosiče zárodečných mutací v genech BRCA1, BRCA2, PALB2, ATM a CHEK2 predisponujících ke vzniku dědičného karcinomu prsu, vaječníků, prostaty a pankreatu (4.2024). Klin Onkol 2024; 37 (4): 292–299. doi: 10.48095/ccko2024292.
7. Novotný J, Cibula D, Curtisová V et al. Doporučené postupy klinické péče o nosiče zárodečných mutací v genech MLH1, MSH2, MSH6, PMS2 a velkých delecí EPCAM predisponujících ke vzniku Lynchova syndromu (4.2024). Klin Onkol 2024; 37 (5): 384–389. doi: 10.48095/ccko2024384.
8. van Hout CV, Tachmazidou I, Backman JD et al. Exome sequencing and characterization of 49,960 individuals in the UK biobank. Nature 2020; 586 (7831): 749–756. doi: 10.1038/s41586-020-2853-0.
9. Manolio TA, Collins FS, Cox NJ et al. Finding the missing heritability of complex diseases. Nature 2009; 461 (7265): 747–753. doi: 10.1038/nature08494.
10. Goldstein DB. Common genetic variation and human traits. N Engl J Med 2009; 360 (17): 1696–1698. doi: 10.1056/NEJMp0806284.
11. Visscher PM, Wray NR, Zhang Q et al. 10 years of GWAS discovery: biology, function, and translation. Am J Hum Genet 2017; 101 (1): 5–22. doi: 10.1016/j.ajhg.2017.06.005.
12. Khera AV, Chaffin M, Aragam KG et al. Genome-wide polygenic scores for common diseases identify individuals with risk equivalent to monogenic mutations. Nat Genet 2018; 50 (9): 1219–1224. doi: 10.1038/s41588-018-0183-z.
13. Hovhannisyan M, Zemankova P, Nehasil P et al. Population-specific validation and comparison of the performance of 77 - and 313-variant polygenic risk scores for breast cancer risk prediction. Cancer 2024; 130 (17): 2978–2987. doi: 10.1002/cncr.35337.
14. Mavaddat N, Michailidou K, Dennis J et al. Polygenic risk scores for prediction of breast cancer and breast cancer subtypes. Am J Hum Genet 2019; 104 (1): 21–34. doi: 10.1016/j.ajhg.2018.11.002.
15. Fernandez-Rozadilla C, Timofeeva M, Chen Z et al. Deciphering colorectal cancer genetics through multi-omic analysis of 100,204 cases and 154,587 controls of European and East Asian ancestries. Nat Genet 2023; 55 (1): 89–99. doi: 10.1038/s41588-022-01222-9.
16. Bogumil D, Conti DV, Sheng X et al. Replication and genetic risk score analysis for pancreatic cancer in a diverse multiethnic population. Cancer Epidemiol Biomarkers Prev 2020; 29 (12): 2686–2692. doi: 10.1158/1055-9965.EPI-20-0963.
17. Dareng EO, Tyrer JP, Barnes DR et al. Polygenic risk modeling for prediction of epithelial ovarian cancer risk. Eur J Hum Genet 2022; 30 (3): 349–362. doi: 10.1038/s41431-021-00987-7.
18. Conti DV, Darst BF, Moss LC et al. Trans-ancestry genome-wide association meta-analysis of prostate cancer identifies new susceptibility loci and informs genetic risk prediction. Nat Genet 2021; 53 (1): 65–75. doi: 10.1038/s41588-020-00748-0.
19. Chen F, Darst BF, Madduri RK et al. Validation of a multi-ancestry polygenic risk score and age-specific risks of prostate cancer: a meta-analysis within diverse populations. Elife 2022; 11: e78304. doi: 10.7554/eLife.78304.
20. Martin AR, Kanai M, Kamatani Y et al. Clinical use of current polygenic risk scores may exacerbate health disparities. Nat Genet 2019; 51 (4): 584–591. doi: 10.1038/s41588-019-0379-x.
21. Kachuri L, Chatterjee N, Hirbo J et al. Principles and methods for transferring polygenic risk scores across global populations. Nat Rev Genet 2024; 25 (1): 8–25. doi: 10.1038/s41576-023-00637-2.
22. Dudbridge F. Power and predictive accuracy of polygenic risk scores. PLoS Genet 2013; 9 (3): e1003348. doi: 10.1371/journal.pgen.1003348.
23. Choi SW, Mak TS, O’Reilly PF. Tutorial: a guide to performing polygenic risk score analyses. Nat Protoc 2020; 15 (9): 2759–2772. doi: 10.1038/s41596-020-0353-1.
24. McHugh JK, Bancroft EK, Saunders E et al. Assessment of a polygenic risk score in screening for prostate cancer. N Engl J Med 2025; 392 (14): 1406–1417. doi: 10.1056/NEJMoa2407934.
25. Tamlander M, Jermy B, Seppälä TT et al. Genome-wide polygenic risk scores for colorectal cancer have implications for risk-based screening. Br J Cancer 2024; 130 (4): 651–659. doi: 10.1038/s41416-023-02536-z.
26. Hung RJ, Warkentin MT, Brhane Y et al. Assessing lung cancer absolute risk trajectory based on a polygenic risk model. Cancer Res 2021; 81 (6): 1607–1615. doi: 10.1158/0008-5472.CAN-20-1237.
27. Ho PJ, Tan IB, Chong DQ et al. Polygenic risk scores for the prediction of common cancers in East Asians: a population-based prospective cohort study. Elife 2023; 12: e82608. doi: 10.7554/eLife.82608.
28. Petitjean C, Wilcox N, Ficorella L et al. Evaluating the performance of the breast and ovarian analysis of disease incidence algorithm model in predicting 10-year breast cancer risks in UK biobank. J Natl Cancer Inst 2025; 117 (5): 948–958. doi: 10.1093/jnci/djae335.
29. Yang X, Wu Y, Ficorella L et al. Validation of the BOADICEA model for epithelial tubo-ovarian cancer risk prediction in UK biobank. Br J Cancer 2024; 131 (9): 1473–1479. doi: 10.1038/s41416–024–02851-z.
30. Nyberg T, Brook MN, Ficorella L et al. Canrisk-prostate: a comprehensive, externally validated risk model for the prediction of future prostate cancer. J Clin Oncol 2023; 41 (5): 1092–1104. doi: 10.1200/JCO.22.01453.
31. Lakeman IM, Rodríguez-Girondo MD, Lee A et al. Clinical applicability of the polygenic risk score for breast cancer risk prediction in familial cases. J Med Genet 2023; 60 (4): 327–336. doi: 10.1136/jmg-2022-108502.
32. Hovhannisyan M, Kleiblová P, Nehasil P et al. Skóre polygenního rizika (PRS) a jeho potenciál pro stratifikaci rizika karcinomu prsu. Klin Onkol 2023; 36 (3): 198–205. doi: 10.48095/ccko2023198.
33. Kullo IJ. Clinical use of polygenic risk scores: current status, barriers and future directions. Nat Rev Genet 2026; 27 (3): 246–263. doi: 10.1038/s41576-025-00900-8.
34. Huntley C, Torr B, Sud A et al. Utility of polygenic risk scores in UK cancer screening: a modelling analysis. Lancet Oncol 2023; 24 (6): 658–668. doi: 10.1016/S1470-2045 (23) 00156-0.
35. Fergus KB, Heise RS, Madlensky L et al. Integrating breast cancer polygenic risk scores at scale in the WISDOM study: a national randomized personalized screening trial. Genome Med 2025; 17 (1): 97. doi: 10.1186/s13073-025-01524-7.
36. Roux A, Cholerton R, Sicsic J et al. Study protocol comparing the ethical, psychological and socio-economic impact of personalised breast cancer screening to that of standard screening in the “my personal breast screening” (mypebs) randomised clinical trial. BMC Cancer 2022; 22 (1): 507. doi: 10.1186/s12885-022-09484-6.
Labels
Paediatric clinical oncology Surgery Clinical oncologyArticle was published in
Clinical Oncology
2026 Issue Supplementum 1
-
All articles in this issue
- Editorial
- Programy screeningu zhoubných nádorů v České republice a jejich výsledky
- Skóre polygenního rizika a jeho význam pro vznik nádorů
- Krevní testy pro časnou detekci nádorů (MCED) – přehled technologií a klinických dat
- Pohybová aktivita v onkologické prevenci
- Formy nikotinu na trhu a onkologické riziko
- Vliv obezity na vznik zhoubných nádorů – metabolický syndrom
- Duševní zdraví a spánek v onkologické prevenci – jak nestát zdraví v cestě každodenním chováním
- Environmentální expozice a prevence rakoviny v České republice
- OncoVis: Karcinogenní látky, jejich klasifikace a možný dopad na vznik zhoubných nádorů – interaktivní dashboard pro klinickou praxi
- Narušení hormonální rovnováhy a potenciální rozvoj rakoviny – vliv endokrinních disruptorů
- Mikroplasty v lidském těle – kritický pohled na současné poznání
- Mikrobiom jako biomarker pro časný záchyt nádorových onemocnění – potenciál a limitace
- Probiotika, postbiotika a synbiotika v prevenci onkologických onemocnění
- Clinical Oncology
- Journal archive
- Current issue
- Online only
- About the journal
Most read in this issue
- Krevní testy pro časnou detekci nádorů (MCED) – přehled technologií a klinických dat
- OncoVis: Karcinogenní látky, jejich klasifikace a možný dopad na vznik zhoubných nádorů – interaktivní dashboard pro klinickou praxi
- Programy screeningu zhoubných nádorů v České republice a jejich výsledky
- Editorial