Resumen Técnico: Regresión Dispersa Guiada por Univariante para Datos Ómicos de Escala Biobanco de Alta Dimensionalidad

Planteamiento del Problema

El artículo aborda el desafío de realizar regresión dispersa en datos genómicos ultra-altamente dimensionales, específicamente en el contexto de la construcción de Puntuaciones de Riesgo Poligénico (PRS) utilizando conjuntos de datos a escala de biobancos como el UK Biobank. En estos entornos, el número de predictores (SNPs, $p$) supera con creces el número de observaciones ($n$), a menudo con $p > 1.000.000$ y $n \approx 500.000$.

Los enfoques de regresión estándar enfrentan tres dificultades principales en este dominio:

1. Inviabilidad Computacional: Ajustar modelos multivariantes sobre millones de SNPs para cientos de miles de individuos es computacionalmente prohibitivo, particularmente cuando se utiliza validación cruzada para el ajuste de hiperparámetros.
2. Predictores Correlacionados (Desequilibrio de Ligamiento): Los SNPs existen en bloques de alta correlación. Los métodos multivariantes estándar suelen tener dificultades para decidir si seleccionar un conjunto disperso de representantes o distribuir ("difuminar") los efectos a través de muchas variables correlacionadas, lo que conduce a modelos densos y difíciles de interpretar.
3. Privacidad de Datos e Integración: En la investigación biomédica, los datos brutos a nivel de individuo suelen estar restringidos debido a las regulaciones de privacidad. Los investigadores dependen frecuentemente de estadísticas de resumen de cohortes externas (por ejemplo, FinnGen) en lugar de conjuntos de datos completos, lo que dificulta la integración de esta información externa en un modelo multivariante disperso unificado.

Históricamente, la construcción de PRS se ha basado en un proceso de dos pasos: un estudio de asociación de genoma completo (GWAS) univariante seguido de un método de contracción o selección post-hoc (por ejemplo, clumping and thresholding, LDpred, PRS-CS). Los autores argumentan que este enfoque es subóptimo porque el primer paso trata a los SNPs de forma aislada, elevando vecindarios enteros de SNPs correlacionados, mientras que el segundo paso intenta corregir este doble conteo, lo que a menudo resulta en predictores densos con tamaños de efecto aplanados.

Metodología: uniLasso Omni-adaptado

Los autores proponen una adaptación escalable de la Regresión Dispersa Guiada por Univariante (uniLasso), introducida originalmente por Chatterjee et al. [2025], adaptada para datos a escala de biobanco. El método es un procedimiento de regresión penalizada de dos etapas que aprovecha los coeficientes univariantes para guiar la selección multivariante.

El Algoritmo

1. Etapa 1: Precomputación Univariante:
   Para cada SNP $j$, el algoritmo calcula las intersecciones univariantes ($\hat{\beta}_{0j}$) y las pendientes ($\hat{\beta}_j$). Crucialmente, calcula los valores ajustados de "Dejar Uno Fuera" (LOO, Leave-One-Out) ($\hat{y}^{-i}_{ij}$) para crear una matriz de características $F$. El uso de valores LOO en lugar de estimaciones brutas obliga al paso de selección subsiguiente a depender de señales predictivas fuera de la muestra en lugar de ruido dentro de la muestra.

   • Optimización: Para manejar la escala, los autores vectorizaron estas computaciones y las paralelizaron a través de núcleos de CPU utilizando el paquete Adelie de Python.

2. Etapa 2: Regresión Dispersa Guiada:
   Se ajusta un Lasso no negativo utilizando las predicciones LOO en $F$ como características para predecir la respuesta $y$.

   • Restricción de Signo: Los coeficientes $\theta_j$ en esta etapa están restringidos a ser no negativos. Los coeficientes multivariantes finales se recuperan como $\hat{\gamma}_j = \hat{\beta}_j \hat{\theta}_j$. Esto asegura que el signo del coeficiente final coincida con el signo del coeficiente univariante (o sea cero), evitando reversiones de signo que complican la interpretación.
   • Manejo de Respuestas Binarias: Para resultados binarios, el método utiliza regresión logística penalizada. Dado que no existen soluciones LOO de forma cerrada para la pérdida logística, los autores emplean Mínimos Cuadrados Pesados Iterativamente (IRLS) con una aproximación para las predicciones LOO propuesta por Rad y Maleki [2020].

Modificaciones de Escalabilidad y Estabilidad

Para hacer que uniLasso sea factible para el UK Biobank, los autores introdujeron varias modificaciones críticas de ingeniería y estadística:

• División de Datos: En lugar de validación cruzada de $k$ pliegues (que es demasiado costosa para $p \gg n$), utilizaron una división de entrenamiento/validación/prueba de 70/10/20 para ajustar el parámetro de regularización $\lambda$.
• Filtrado de MAF: Los SNPs con Frecuencia del Alelo Menor (MAF) < 0.0005 fueron excluidos para eliminar variantes raras que contribuyen poco al poder predictivo y causan inestabilidad.
• Estabilización de la Varianza: Para los SNPs con baja varianza (pero MAF $\ge$ 0.0005), el denominador en el cálculo de la pendiente univariante ($S_{xx}$) fue regularizado añadiendo el percentil quinto de la distribución empírica de los valores de $S_{xx}$. Esto evita la explosión de coeficientes en columnas casi constantes.
• Integración de Puntuaciones Externas (uniLasso ES): Para incorporar datos externos (por ejemplo, de FinnGen) sin acceso a datos brutos, los autores adaptaron el término de penalización. Utilizan coeficientes univariantes externos ($\tilde{\beta}_j$) para definir pesos adaptativos ($|\tilde{\beta}_j|$) y restricciones de signo en la penalización $\ell_1$ de la regresión de la segunda etapa, en lugar de calcular estimaciones LOO a partir de los datos de entrenamiento.

Contribuciones Clave

1. Implementación Escalable de uniLasso: El artículo presenta la primera adaptación de uniLasso capaz de manejar datos a escala de biobanco ($p \approx 10^6, n \approx 5 \times 10^5$) utilizando datos a nivel de individuo, superando las barreras de memoria y tiempo de la formulación original.
2. Integración de Datos Externos: Un marco novedoso para integrar estadísticas de resumen externas en un modelo multivariante disperso, evitando la necesidad de compartir datos brutos mientras se mejora la precisión predictiva.
3. Extensión a Respuesta Binaria: Una extensión del algoritmo a fenotipos binarios utilizando regresión logística y aproximaciones basadas en IRLS para ajustes LOO.
4. Validación Empírica en el UK Biobank: Una evaluación exhaustiva a través de cuatro fenotipos (Altura, IMC, CHD, Asma) comparando el método con Lasso estándar, PRS-CS y otros modelos de base.

Resultados

Los autores evaluaron sus métodos en el UK Biobank (restringido a individuos de origen británico blanco) para rasgos continuos (Altura, IMC) y binarios (CHD, Asma).

• Dispersión vs. Rendimiento:
  • uniLasso logró un rendimiento predictivo comparable al Lasso estándar (por ejemplo, $R^2$ para Altura: 0.707 vs. 0.713) pero seleccionó sustancialmente menos variantes.
  • Específicamente, uniLasso seleccionó un 38% menos de SNPs para Altura y un 43% menos para IMC en comparación con Lasso, con caídas insignificantes en $R^2$ (0.006 y 0.016, respectivamente).
  • Para rasgos binarios como CHD, uniLasso fue más de un 50% más disperso que Lasso con solo un aumento de 0.001 en el error de prueba.
• Interpretabilidad:
  • Un hallazgo clave es la eliminación de los cambios de signo. En el Lasso estándar, los coeficientes a menudo invierten sus signos respecto a sus efectos univariantes debido a la correlación (por ejemplo, el 12% de los coeficientes de Altura cambiaron de signo); uniLasso, por construcción, garantiza que todos los coeficientes no nulos mantengan el signo de su efecto univariante, mejorando significativamente la interpretabilidad.
• Puntuaciones Externas (uniLasso ES):
  • La integración de puntuaciones externas de FinnGen (uniLasso ES) produjo el mejor rendimiento predictivo en los cuatro fenotipos.
  • Para la Altura, uniLasso ES logró un $R^2$ de 0.716 (frente a 0.713 para Lasso).
  • A pesar de usar datos externos, los modelos siguieron siendo significativamente más dispersos que Lasso y PRS-CS.
• Comparación con PRS-CS:
  • PRS-CS, un método bayesiano denso, tuvo un rendimiento inferior a todos los métodos basados en Lasso en rasgos continuos y solo los igualó en CHD. PRS-CS produjo modelos densos (usando todos los SNPs), mientras que uniLasso ES mantuvo una alta dispersión.

Significado y Reivindicaciones

El artículo afirma que uniLasso ofrece un intercambio superior entre precisión predictiva, dispersión e interpretabilidad para datos genómicos a escala de biobanco.

• Desafío a la Visión "Infinitesimal": Los resultados proporcionan un contrapunto empírico a los modelos estrictamente "pangenómicos" o infinitesimales (como PRS-CS o LDpred-inf) que asumen que cada variante tiene un efecto no nulo. Los autores argumentan que, para la predicción práctica, una visión "poligénica-dispersa" —donde unas pocas decenas de miles de variantes capturan la mayor parte de la señal— es suficiente y más robusta.
• Claridad Mecanística: Al concentrar los pesos en (o cerca de) las variantes verdaderamente causales en lugar de distribuirlos a través de bloques de LD correlacionados, uniLasso reduce la contribución de "ruido" de los SNPs de etiqueta no causales, mejorando potencialmente la robustez de las estimaciones de riesgo individual.
• Utilidad Práctica: El método demuestra que es posible ajustar modelos multivariantes directamente sobre datos a nivel de individuo de biobancos, yendo más allá de las limitaciones del tradicional flujo de trabajo de dos pasos de GWAS más PRS. La integración de estadísticas de resumen externas mejora aún más esta utilidad en entornos con restricciones de privacidad.

Los autores concluyen que, si bien los modelos densos tienen valor cuando solo se dispone de estadísticas de resumen, el enfoque multivariante disperso de uniLasso es altamente efectivo para entornos donde la interpretabilidad y la eficiencia computacional son primordiales.