Significance filtering induces denominator selection bias in local genetic correlation: closed-form characterisation, a gate-aware correction, and an applicability diagnostic

Technisches Resümee: Signifikanzfilterung und Denominator-Selektionsbias in der lokalen genetischen Korrelation

Problemstellung
Die lokale genetische Korrelation ($\rho$) wird als das Verhältnis der lokalen genetischen Kovarianz zum geometrischen Mittel zweier lokaler Heritabilitäten geschätzt. Die Standardimplementierung, LAVA, berichtet dieses Verhältnis nur dann, wenn beide Merkmale einen univariaten Heritabilitäts-Signifikanztest ($P < 0,05$) bestehen. Während die Dokumentation von LAVA diesen Filter als Stabilisator zur Entfernung instabiler Schätzungen darstellt, zeigen die Autoren auf, dass er als ein Selektionsereignis auf den Nenner (Denominator) des Verhältnis-Schätzers wirkt.

Da die univariate Teststatistik und der Nenner aus derselben Summe der Quadrate abgeleitet werden, führt die Konditionierung auf die Größe der Statistik (das Bestehen des Filters) dazu, dass auch der Nenner groß sein muss. Diese Selektion lässt bevorzugt Loci zu, bei denen das Stichprobenrauschen die Heritabilitätsschätzung künstlich aufgebläht hat. Infolgedessen wird der Nenner systematisch vergrößert, was dazu führt, dass das resultierende Verhältnis (die Korrelationsschätzung) attenuiert (gegen Null verzerrt) wird, anstatt erhöht zu werden. Im Gegensatz zum „Winner's Curse“, der Schätzungen aufbläht, bewirkt dieser Mechanismus eine Attenuation. Darüber hinaus interagiert diese Selektion mit der Probenüberlappung zwischen GWAS, um nicht-null erwartete Korrelationen zu erzeugen, selbst wenn die wahre Korrelation null ist.

Methodik
Die Autoren leiten eine geschlossene Charakterisierung dieses Bias unter dem nichtzentralen Wishart-Modell ab, das LAVA in seinen eigenen Intervall-Routinen voraussett.

1. Theoretische Ableitung:

   • Der gate-bedingte Mittelwert des Schätzers ist als affiner Zusammenhang zur wahren Korrelation ($\rho$) dargestellt: $E[\hat{\rho} | G] = S_{loc}\rho + I_{loc}$.
   • $S_{loc}$ (Steigung/Slope): Repräsentiert den Attenuationsfaktor. Er ist eine Funktion der lokalen Signal-Rausch-Verhältnisse ($\theta_i$), der Anzahl der Hauptkomponenten ($K$) und der durch das Gate induzierten Inflation der Diagonalelemente ($\Delta_i$).
   • $I_{loc}$ (Achsenabschnitt/Intercept): Repräsentiert die „manufakturierte“ Korrelation, die aus der Probenüberlappung ($r_e$) und dem Filter resultiert. Er ist proportional zu $r_e$ und den Inflationswerten und verschwindet mit zunehmender Power.
   • Entscheidend ist, dass diese Größen nur von Daten abhängen, die bereits von LAVA berichtet werden: die beibehaltenen Hauptkomponenten ($K$), die univariaten $P$-Werte, die berichtete Korrelation und die Korrelation der Probenüberlappung.

2. Korrekturprotokoll:

   • Stufe 1 (De-Biasing des Nenners): Die beobachtete gate-bedingte Heritabilität wird aus dem $P$-Wert wiederhergestellt. Die Autoren invertieren die Abbildung $g_K$ (von wahrem Signal $\theta$ zu erwartetem gate-bedingtem Wert), um die zugrunde liegende Signalstärke zu rekonstruieren. Diese Inversion ist eindeutig, besitzt aber eine „Untergrenze“ (Floor), bei der das wahre Signal nicht mehr vom Rauschen unterschieden werden kann.
   • Stufe 2 (De-Biasing des Verhältnisses): Die korrigierte Korrelation wird als $\hat{\rho}_{corr} = (\hat{\rho} - I_{loc}) / S_{loc}$ berechnet.
   • Aggregation: Da die Korrektur eine bedingte Erwartung invertiert, wird sie auf Aggregate (gepoolte Loci) angewendet statt auf einzelne Loci, um Instabilitäten zu vermeiden, da einzelne Loci innerhalb der Verteilung liegen statt am Mittelwert.

3. Anwendbarkeitsdiagnose:
   Eine dreiteilige Diagnose bestimmt, ob die Korrektur für ein gegebenes Merkmalspaar identifizierbar ist:

   • C1 (Stabilität): Die aggregierte Steigung muss über verschiedene Stratifizierungen von $K$ hinweg stabil sein.
   • C2 (Abstand zum Floor): Die beobachtete gate-bedingte Heritabilität muss statistisch unterscheidbar sein von der Verteilung, die unter einem vollständigen lokalen Nullmodell ($\theta=0$) erwartet wird.
   • C3 (Nicht-Null-Output): Der Anteil der durch Zufall verursachten Gate-Passes muss unter einem Schwellenwert liegen (0,40).

4. Validierung:
   Die Autoren nutzen eine dreistufige Simulationsstrategie:

   • Tier A: Züge direkt aus der nichtzentralen Wishart-Verteilung.
   • Tier B: Injektion bekannter $\rho$ in reale Loci und Rekonstruktion durch den tatsächlichen LAVA-Codepfad.
   • Tier C: Ein Kontrollexperiment, das den Effekt des Filters von den Capping-Mechanismen des LAVA-Outputs isoliert.

Wichtigste Ergebnisse

• Bias-Charakterisierung: Der Bias ist strikt affin in $\rho$. Über sechs psychiatrische Merkmalspaare hinweg liegen die gemessenen Attenuationssteigungen ($S_{loc}$) zwischen 0,579 und 0,923. Die geschlossene Vorhersage stimmt mit den gemessenen Steigungen innerhalb von 0,007 überein, ohne dass Parameter an das Panel angepasst wurden.
• Ursache des Bias: Der Filter ist die primäre Ursache für die Attenuation. Während die Capping-Mechanismen von LAVA geringfügig beitragen, ist der Filter allein für den Großteil des Signalverlusts verantwortlich (z. B. 37–42 % Signalzerstörung in Regimen mit geringer Power).
• Manufakturierte Korrelation: In Abwesenheit einer wahren Korrelation erzeugt der Filter in Kombination mit der Probenüberlappung signifikante positive Korrelationen. Beispielsweise lag der manufakturierte Achsenabschnitt für ein Paar mit hoher Überlappung (ASD $\times$ ADHD) bei 0,139 und übertraf damit viele veröffentlichte lokale genetische Korrelationen.
• Leistung der Korrektur: Die Anwendung der gate-bewussten Korrektur im Aggregat reduziert den mittleren absoluten Bias von 0,247 auf 0,026 (eine 9,7-fache Verbesserung). Eine einzige gepoolte Korrektur (z. B. Division durch eine globale Steigung) performt schlecht (Bias 0,195), da sie die Heterogenität von $S_{loc}$ über die Loci hinweg nicht erfasst.
• Intervallbreite: Die Post-Filter-Konfidenzintervalle sind korrekt kalibriert (94,9 % Coverage), sind aber nahezu vazuum (leer). Die mittlere Breite umfasst 69 % des Parameterraums $[-1, 1]$, was eine Bestimmung des Vorzeichens unmöglich macht (z. B. kreuzten 68 von 78 Loci in einem Paar die Null).
• Diagnosefehler: Drei der sechs Merkmalspaare scheiterten an der Anwendbarkeitsdiagnose. In diesen Fällen (z. B. ASD $\times$ SCZ) war die lokale Heritabilität des schwächeren Merkmals nicht von einem vollständigen lokalen Nullmodell unterscheidbar. Für diese Paare sind die berichteten Loci keine schwachen Befunde, sondern Artefakte des Filters, die auf Rauschen wirken; eine Korrektur ist hier nicht identifizierbar.

Bedeutung und Ansprüche
Das Paper behaupten, die erste geschlossene Charakterisierung des durch LAVA-Reporting-Regeln induzierten Selektionsbias geliefert zu haben. Seine Bedeutung liegt in:

1. Korrektur eines Missverständnisses: Es zeigt, dass der Filter kein harmloser Stabilisator, sondern ein Selektionsereignis ist, das Schätzungen systematisch attenuiert und Korrelationen manufakturiert.
2. Handlungsorientierte Korrektur: Es bietet eine Korrekturmethode, die keine Re-Analyse der Rohdaten erfordert, sondern lediglich den Standard-LAVA-Output und eine Überlappungsschätzung benötigt.
3. Kontextualisierung veröffentlichter Ergebnisse: Die Autoren argumentieren, dass die meisten veröffentlichten Schätzungen aus leistungsstarken Merkmalen wahrscheinlich korrekt sind (Bias < 10 %), Schätzungen aus unterpowerten Merkmalen oder solchen mit hoher Probenüberlappung jedoch schwer verzerrt sind.
4. Berichterstattungsstandards: Das Paper schlägt spezifische Richtlinien vor, einschließlich der Notwendigkeit, die „Attrition Cascade“ (wie viele Blöcke durch negative Varianzschätzungen vs. den Filter verloren gingen) zu melden, „Channel 2“ (das stille Entfernen von Merkmalen mit negativer Varianz) zu prüfen und die vorgeschlagene Diagnose vor der Anwendung von Korrekturen zu nutzen.

Die Autoren betonen explizit, dass diese Arbeit nicht die biologischen Befunde früherer Studien invalidiert, sondern die Werkzeuge bereitstellt, um den analytischen Bias des aktuellen Standard-Pipelines zu quantifizieren und zu korrigieren. Sie warnen davor, dass für Paare, die die Diagnose nicht bestehen, die berichteten Korrelationen wahrscheinlich Artefakte des Filters sind und nicht als biologische Signale interpretiert werden sollten.