A Multi-Omics Framework for Survival Mediation Analysis of High-Dimensional Proteogenomic Data

Resumen Técnico: SMAHP – Un Marco de Análisis de Mediación de Supervivencia Multi-Ómico

Planteamiento del Problema
El análisis de supervivencia es fundamental para comprender los resultados de tiempo hasta el evento, como la progresión de la enfermedad y la mortalidad de los pacientes. Si bien los avances recientes han permitido la profilación de alto rendimiento de datos de proteómica y genómica, los marcos existentes de mediación causal para resultados de supervivencia enfrentan limitaciones significativas. Los métodos actuales, como el Análisis de Mediación de Alta Dimensión en Modelos de Supervivencia (HIMAsurvival) y MASH, dependen principalmente de la regresión de riesgos proporcionales (PH) de Cox. Estos enfoques se centran típicamente en una sola exposición o en capas individuales de ómicas, fallando en capturar la interacción compleja entre exposiciones de alta dimensión (p. ej., expresiones génicas) y mediadores de alta dimensión (p. ej., niveles de proteínas) dentro de un contexto multi-ómico. Además, la dependencia del modelo de Cox impone la suposición de PH, la cual puede violarse en ciertos contextos biológicos. Existe una falta de marcos unificados capaces de manejar simultáneamente exposiciones y mediadores de alta dimensión mientras integran datos multi-ómicos para resultados de supervivencia.

Metodología: SMAHP
Los autores proponen SMAHP (Análisis de Mediación de Supervivencia de Datos Proteogenómicos de Alta Dimensión), un marco novedoso fundamentado en el paradigma contrafactual. El método está diseñado para identificar vías causales donde las exposiciones genómicas influyen en los resultados de supervivencia a través de mediadores proteicos. El procedimiento consta de tres pasos principales:

1. Paso 1: Selección Penalizada de Variables (Pre-selección):

   • Modelo de Resultado: Se utiliza un modelo de Tiempo Acelerado de Fallo (AFT) penalizado para evaluar los efectos directos de las exposiciones de alta dimensión ($X$) y los mediadores ($M$) sobre el resultado de supervivencia ($T$). Se elige el modelo AFT para evitar la suposición de PH inherente a la regresión de Cox. Los autores emplean la Penalización Minimax Cóncava (MCP) mediante un algoritmo de método de multiplicadores de dirección alternada para identificar conjuntos activos de genes significativos ($S_1$) y proteínas ($T$).
   • Modelo de Mediación: Se ajusta un modelo de regresión lineal penalizado (también utilizando MCP) para modelar la asociación entre las exposiciones y cada mediador ($X \to M_k$), identificando conjuntos activos de genes ($J^k_1$) asociados con mediadores específicos.

2. Paso 2: Filtrado de Mediadores Importantes (SIS):

   • Para reducir la dimensionalidad y la carga computacional, se aplica el enfoque de Filtrado de Independencia Segura (SIS). El método calcula el producto de los coeficientes estimados de las vías exposición-mediador y mediador-resultado ($|\hat{\alpha} \cdot \hat{\beta}|$).
   • Se retienen los pares de mediadores y exposiciones con los $n/\log(n)$ (o un múltiplo de este) valores más grandes. Este paso identifica mediadores proteicos "importantes" que explican las exposiciones, filtrando efectivamente los conjuntos candidatos a $S_2$ (mediadores) y $J^s_2$ (exposiciones).

3. Paso 3: Prueba de Hipótesis y Control de FDR:

   • Se realiza una prueba de Significancia Conjunta (JS) sobre los conjuntos reducidos para determinar si un mediador específico se encuentra en la vía causal ($H_0: \alpha \beta = 0$).
   • El método calcula valores p elementales para el producto de coeficientes utilizando el máximo de los valores p de las vías individuales.
   • La Tasa de Falsos Descubrimientos (FDR) se controla mediante el procedimiento de Benjamini-Hochberg (BH) sobre la matriz de valores p resultante.

Contribuciones Clave

• Marco Novedoso: SMAHP se presenta como uno de los primeros intentos de integrar el modelo de Tiempo Acelerado de Fallo (AFT) en un marco de mediación causal multi-ómico para resultados de supervivencia.
• Manejo de Alta Dimensión: A diferencia de métodos anteriores que a menudo tratan las exposiciones como variables individuales, SMAHP maneja simultáneamente vectores de alta dimensión tanto de exposiciones (genes) como de mediadores (proteínas).
• Integración Multi-Ómica: El marco modela explícitamente la sinergia entre exposiciones genómicas y mediadores proteicos, yendo más allá del análisis de capas de ómicas individuales.
• Robustez ante la Violación de PH: Al utilizar el modelo AFT, el método ofrece una alternativa robusta a los enfoques basados en Cox cuando la suposición de riesgos proporcionales no se cumple.
• Implementación: El método se implementa como un paquete de R (SMAHP) disponible gratuitamente en CRAN.

Resultados

• Estudios de Simulación: Los autores realizaron simulaciones extensas en diversos escenarios (variando tamaños de muestra $n$, número de genes $p$ y proteínas $k$) y tasas de censura (25%, 50%, 75%).
  • Rendimiento: SMAHP demostró un alto poder estadístico mientras controlaba efectivamente la Tasa de Falsos Descubrimientos (FDR) al nivel del 5%.
  • Comparación: En comparación con un enfoque "Naïve" (sin penalización/SIS) y un enfoque "SIS + SIS" (modelos marginales univariados con SIS), SMAHP mantuvo un control superior del FDR, particularmente a medida que aumentaban las tasas de censura. El método Naïve exhibió un FDR inflado, mientras que el método SIS + SIS tuvo dificultades para controlar el FDR en tasas de censura altas (50% y 75%).
  • Cálculo: Aunque SMAHP requirió más tiempo computacional que los otros métodos debido a la penalización, permaneció viable (p. ej., ~2-4 minutos para $n=400$).
• Aplicación a Datos Reales: El método se aplicó a datos del Consorcio de Análisis de Tumores Proteómicos Clínicos (CPTAC) para Carcinoma de Células Escamosas de Cabeza y Cuello (HNSCC), centrándose específicamente en casos negativos para VPH.
  • Hallazgo: El análisis identificó un efecto indirecto significativo donde la proteína LCE3E media la asociación entre el gen HMGB1P23 y la supervivencia global.
  • Contexto Biológico: Aunque HMGB1P23 no está bien caracterizado en la literatura sobre enfermedades, LCE3E se asocia con verrugas plantares (relacionadas con el VPH), ofreciendo un posible vínculo biológico en una cohorte negativa para VPH donde el control inmune del VPH podría ser relevante. El efecto directo del gen sobre la supervivencia fue positivo, mientras que el efecto indirecto a través de la proteína fue negativo.

Significado y Afirmaciones
El artículo afirma que SMAHP aborda brechas críticas en el análisis de mediación de supervivencia al permitir el análisis simultáneo de datos multi-ómicos de alta dimensión sin depender de la suposición de riesgos proporcionales. Los autores posicionan a SMAHP como una herramienta que proporciona una visión más completa de los mecanismos moleculares (vías gen-proteína-resultado) en comparación con analizar por separado las relaciones gen-resultado y proteína-resultado. El estudio concluye que el método ofrece un marco estadístico robusto para identificar vías causales en sistemas biológicos complejos, con una aplicación exitosa a datos proteogenómicos del mundo real. Los autores reconocen limitaciones, como la necesidad de tamaños de muestra más grandes bajo tasas de censura muy altas (75%) para mantener el poder y el control del FDR, y sugieren que trabajos futuros podrían incorporar información biológica a nivel de grupo (mediación a nivel de vías) y modelos AFT no paramétricos.