Learning the Optimal Composite Mediator: Closed-Form Solution and Inference

1. Problemstellung

In der beobachtenden Forschung, insbesondere in der molekularen Epidemiologie, ist es ein zentrales Problem zu verstehen, wie ein Expositionsfaktor (z. B. Alter oder Behandlung) seine Wirkung auf ein Ergebnis (Outcome) über eine große Anzahl hochdimensionaler Zwischenvariablen (Mediatoren, z. B. Genexpression oder Proteinmengen) vermittelt.

Herausforderungen bestehen darin:

• Hohe Dimensionalität: Die Anzahl der Mediatoren ($p$) ist oft größer als die Anzahl der Beobachtungen ($n$).
• Kollektive Wirkung: Der Effekt wird oft durch das Zusammenwirken vieler Merkmale vermittelt, nicht durch ein einzelnes. Einzelne Analysen verpassen diese Struktur.
• Optimierungsproblem: Es wird ein zusammengesetzter Mediator $M = Xw$ (eine gewichtete Summe der Mediatoren) gesucht, der den indirekten Effekt der Exposition auf das Ergebnis maximiert.
• Nicht-Konvexität: Das Ziel, das Produkt der Pfadkoeffizienten $\alpha(w)\beta(w)$ zu maximieren, ist im Gewichtsvektor $w$ nicht konvex, was numerische Optimierungsverfahren anfällig für lokale Optima macht und rechenintensiv ist.

2. Methodik

Das Paper stellt eine lineare Strukturgleichungsmodellierung (LSEM) vor und leitet eine geschlossene Formel (Closed-Form Solution) für die optimale Gewichtung ab.

Modell

Gegeben sind:

• Exposition $A$, Mediatoren $X \in \mathbb{R}^{n \times p}$, Ergebnis $Y$.
• Strukturgleichungen:
  1. $M = \alpha A + \varepsilon_1$
  2. $Y = \gamma A + \beta M + \varepsilon_2$
  3. $Y = \tau A + \varepsilon_3$
• Ziel: Finde $w^*$, um den indirekten Effekt $h(w) = \hat{\alpha}(w)\hat{\beta}(w)$ zu maximieren.

Geometrische Lösung (Primaler Fall: $n > p$)

Der Autor zeigt, dass das Optimierungsproblem eine elegante geometrische Interpretation hat:

1. Ausreichende Statistiken: Es werden zwei Vektoren definiert, die die Pfade repräsentieren:
   • $p = V^{-1}a$ (Pfad von $A$ zu $X$)
   • $q = V^{-1}z$ (Pfad von $X$ zu $Y$, adjustiert für $A$)
     Dabei ist $V$ die Residual-Gram-Matrix und $a, z$ Vektoren aus den Daten.
2. Bisektor-Optimum: Das Ziel $h(w)$ faktorisiert in einen Pfadstärketerm und einen Ausrichtungsterm. Der optimale Gewichtsvektor $w^*$ liegt in der Ebene, die von $p$ und $q$ aufgespannt wird.
3. Ergebnis: Der optimale Vektor $w^*$ ist der Bisektor (Winkelhalbierende) zwischen den beiden Pfadvektoren $p$ und $q$ in einem durch $V$ gewichteten inneren Produkt-Raum.
   • Formel: $w^* \propto \frac{p}{\|p\|_V} + \frac{q}{\|q\|_V}$.
   • Dies erfordert nur zwei lineare Gleichungslösungen und eine Winkelberechnung.

Dualer Fall ($p \ge n$)

Wenn die Anzahl der Mediatoren die Anzahl der Beobachtungen übersteigt, ist $V$ singulär. Das Paper leitet eine duale Formulierung her, die im Raum $\mathbb{R}^n$ arbeitet:

• Nutzung eines Kernel-Matrix-Ansatzes ($K_Z = ZZ^\top$).
• Die Pfadvektoren werden in den Spaltenraum von $Z$ projiziert.
• Die Lösung bleibt erhalten, wobei die Freiheitsgrade für Tests von $p-1$ auf $n-2$ wechseln.

Inferenz (Globaler Test)

Ein entscheidender Beitrag ist ein Test für die globale Nullhypothese $H_0$: „Es existiert kein zusammengesetzter Mediator" (d.h. $\max_w |\alpha(w)\beta(w)| = 0$).

• Teststatistik: Basierend auf dem Kosinus des Winkels $\phi$ zwischen den Pfadvektoren $p$ und $q$.
• Verteilung: Unter $H_0$ folgt die transformierte Statistik $T = \cos\phi \cdot \sqrt{\frac{p-1}{1-\cos^2\phi}}$ asymptotisch einer $t$-Verteilung mit $p-1$ Freiheitsgraden (Primal) bzw. $n-2$ (Dual).
• Dies ist ein „kostenloser" Nebeneffekt des Lösers, da $\cos\phi$ bereits für die Berechnung von $w^*$ benötigt wird.

3. Schlüsselbeiträge

1. Geschlossene Formel für den optimalen Mediator: Erstmals wird das Problem der direkten Maximierung des indirekten Effekts $\alpha\beta$ analytisch gelöst. Die Lösung ist global optimal und vermeidet iterative Optimierung.
2. Effizienz: Der Algorithmus (MaxIE) hat die gleiche Rechenkomplexität wie die gewöhnliche Kleinste-Quadrate-Schätzung (OLS) – $O(np + p^3/3)$ im Primalen und $O(n^2p + n^3)$ im Dualen. Dies ist um Größenordnungen schneller als numerische Optimierung (z. B. L-BFGS-B).
3. Dualer Algorithmus: Eine einzige Methode, die sowohl für $n > p$ als auch für $p \ge n$ funktioniert, ohne dass separate Algorithmen nötig sind.
4. Globaler Test: Ein analytischer Test für das Vorhandensein jeglicher Mediation (konkordant oder unterdrückend), der die Dimensionalität des Problems berücksichtigt.
5. Federated Learning Kompatibilität: Da die Methode nur auf Kreuzprodukt-Zusammenfassungen ($a, z, V$) basiert, kann sie in verteilten Umgebungen (z. B. zwischen verschiedenen Biobanken) angewendet werden, ohne dass individuelle Daten geteilt werden müssen.

4. Ergebnisse

Simulationen

• Optimierung: MaxIE übertrifft alle Vergleichsmethoden (einschließlich OLS-Baselines, die nur einen Pfad optimieren, und iterative Methoden wie „Directions of Mediation" - DM) konsistent in der Maximierung des indirekten Effekts $h$. Der Vorteil ist besonders groß, wenn die beiden Pfade ($\alpha$ und $\beta$) wenig übereinstimmen (orthogonal sind).
• Geschwindigkeit: MaxIE ist ca. 200- bis 400-mal schneller als numerische Optimierer bei gleicher Genauigkeit.
• Inferenz: Der Kosinus-Test kontrolliert das Fehlerrate (Size) korrekt unter der Nullhypothese. Er ist deutlich mächtiger (Power) als der herkömmliche Intersection-Union-Test (IUT), besonders bei hohen Dimensionen und schwachen Signalen.
• Power-Charakterisierung: Die Power des Tests hängt vom Winkel zwischen den Pfadvektoren ab. Sie ist U-förmig: hoch, wenn die Pfade ähnlich oder entgegengesetzt sind, und null, wenn sie orthogonal sind.

Anwendung: UK Biobank Proteomik

• Daten: $n = 38.383$ Probanden, $p = 2.916$ Proteine. Ziel: Vermittlung des Effekts des chronologischen Alters auf Demenz.
• Ergebnis:
  • MaxIE lehnt die globale Nullhypothese mit extrem hoher Signifikanz ab ($p = 6.4 \times 10^{-9}$).
  • Der von MaxIE gefundene proteomische Composite-Mediator vereint zwei Ziele: Er verfolgt das biologische Alter (hohe Korrelation mit chronologischem Alter) und sagt das Demenzrisiko voraus.
  • Vergleichsmodelle (Lasso-Age oder Lasso-Demenz) scheitern jeweils an einem der beiden Ziele: Lasso-Age sagt Alter gut voraus, aber nicht Demenz; Lasso-Demenz sagt Demenz voraus, aber nicht Alter. MaxIE füllt diese Lücke und erreicht die beste Leistung in beiden Dimensionen gleichzeitig.

5. Bedeutung und Fazit

Das Paper löst ein fundamentales Problem der hochdimensionalen Mediationsanalyse durch eine elegante geometrische Herleitung.

• Theoretisch: Es zeigt, dass die nicht-konvexe Optimierung des indirekten Effekts eine geschlossene, globale Lösung besitzt, die auf der Winkelhalbierenden zweier Pfadvektoren basiert.
• Praktisch: Die Methode (MaxIE) ist extrem schnell, skalierbar und liefert sofortige Inferenz (p-Werte) ohne zusätzliche Berechnungsaufwand.
• Anwendung: In der biomedizinischen Forschung ermöglicht sie die Identifizierung von zusammengesetzten Biomarkern, die sowohl mechanistisch (Alterungsprozess) als auch klinisch (Krankheitsrisiko) relevant sind. Dies ist besonders für die Entwicklung von „Biological Aging Clocks" relevant, die nicht nur das Alter schätzen, sondern auch kausale Pfade zu Krankheiten aufzeigen.

Der Ansatz überwindet die Grenzen bestehender Methoden, die entweder nur dimensionale Reduktion betreiben oder auf iterative, rechenintensive Verfahren angewiesen sind, und bietet einen robusten Rahmen für die Analyse komplexer biologischer Daten.