Robust Mendelian Randomization Estimation using Weighted Quantile Regression

Resumen Técnico: MR-Quantile

1. Planteamiento del Problema

La Randomización Mendeliana (RM) es un método epidemiológico que utiliza variantes genéticas como variables instrumentales (VI) para inferir relaciones causales entre una exposición y un resultado, basándose en datos observacionales. Sin embargo, la validez de la RM depende de tres supuestos clave:

1. La VI está asociada con la exposición.
2. La VI es independiente del resultado condicional a la exposición y los factores de confusión no medidos.
3. La VI es independiente de los factores de confusión no medidos.

El problema central abordado en este trabajo es la pleiotropía (cuando una variante genética afecta múltiples rasgos), que viola los supuestos 2 y 3. Existen dos tipos:

• Pleiotropía no correlacionada: Efecto directo de la variante en el resultado no mediado por la exposición.
• Pleiotropía correlacionada: Efecto de la variante en la exposición y el resultado a través de confusores hereditarios compartidos.

La mayoría de los métodos existentes fallan cuando una proporción significativa de las VI son inválidas (especialmente si superan el 50% o si los efectos pleiotrópicos son débiles y difíciles de distinguir del ruido). Los métodos basados en la eliminación de valores atípicos o en modelos de mezcla a menudo son computacionalmente costosos o inestables en presencia de pleiotropía débil.

2. Metodología Propuesta: MR-Quantile

Los autores proponen un nuevo método llamado MR-Quantile, basado en la Regresión Cuantil Ponderada (WQR) y la distribución de Laplace Asimétrica (ALD).

• Fundamento Teórico:

  • El método generaliza el estimador de la mediana ponderada. Mientras que la mediana requiere que más del 50% de las VI sean válidas (supuesto de "mayoría válida"), MR-Quantile se basa en el supuesto de "pluralidad válida" (el grupo más grande de VI que comparte la misma estimación de razón corresponde a las VI válidas).
  • Se asume que las estimaciones de razón ($\hat{r}_i = \hat{\beta}_{Yi} / \hat{\beta}_{Xi}$) siguen una Distribución de Laplace Asimétrica (ALD). Esta distribución es robusta a valores atípicos debido a sus colas pesadas y permite modelar la asimetría en los efectos pleiotrópicos.
  • La función de verosimilitud de la ALD se vincula directamente con la pérdida de verificación (check loss) de la regresión cuantil, permitiendo una inferencia basada en la verosimilitud.

• Procedimiento de Estimación:

  • Selección del Cuantil Óptimo ($\tau$): A diferencia de métodos que fijan $\tau$ (como 0.5 para la mediana), MR-Quantile estima el nivel de cuantil óptimo $\hat{\tau}$ de manera impulsada por los datos mediante la maximización de la verosimilitud. Esto hace que el método sea agnóstico a la proporción real de VI inválidas en la muestra, siempre que se cumpla el supuesto de pleiotropía modal cero (ZEMPA).
  • Algoritmo: Se utiliza un procedimiento iterativo de máxima verosimilitud (MLE) para estimar simultáneamente el efecto causal ($\theta$), el parámetro de escala inverso ($\lambda$) y el parámetro de sesgo ($\tau$).
  • Inferencia: Se emplea un enfoque de bootstrap paramétrico para calcular errores estándar e intervalos de confianza, reestimando los parámetros en cada remuestreo para capturar la incertidumbre en $\tau$ y $\lambda$.

3. Contribuciones Clave

1. Robustez ante Pleiotropía Correlacionada y No Correlacionada: El método es consistente incluso cuando la pleiotropía correlacionada viola el supuesto InSIDE (Instrument Strength Independent of Direct Effect), una limitación común en métodos como MR-Egger o MR-PRESSO.
2. Inferencia Basada en Verosimilitud: Proporciona un marco de verosimilitud para la regresión cuantil ponderada, permitiendo la estimación automática del cuantil óptimo sin asumir una proporción fija de VI inválidas.
3. Eficiencia Computacional: El método es significativamente más rápido que los enfoques basados en modelos de mezcla complejos (como MR-Mix o cML-MA-BIC-DP), lo que lo hace escalable para estudios con un gran número de variantes (ej. estudios de asociación del transcriptoma completo - TWAS).
4. Validación Empírica: Demostración de rendimiento superior en escenarios con una alta proporción de VI inválidas y efectos pleiotrópicos débiles, donde otros métodos fallan o inflan la tasa de error tipo I.

4. Resultados

Los autores realizaron simulaciones de Monte Carlo extensas y un estudio de caso real:

• Simulaciones con Efectos Pleiotrópicos Fuertes:

  • MR-Quantile controló adecuadamente la tasa de error tipo I y mostró un error cuadrático medio (RMSE) bajo en comparación con métodos como MR-IVW, MR-Egger y MR-Weighted-Median.
  • En escenarios donde la pleiotropía correlacionada violaba el supuesto InSIDE, MR-Quantile mantuvo su validez, mientras que métodos comunes fallaron.

• Simulaciones con VI Inválidas Débiles (Efectos Pleiotrópicos Pequeños):

  • Este es el escenario más desafiante. Métodos que dependen de la selección consistente de VI inválidas (como MR-Lasso o cML-MA-BIC) mostraron tasas de error tipo I infladas porque no pudieron distinguir el ruido de la pleiotropía débil.
  • MR-Quantile fue el único método (junto con cML-MA-BIC-DP) que mantuvo la tasa de error tipo I cerca del nivel nominal (0.05) en todos los escenarios, pero con un sesgo menor y mayor potencia estadística que cML-MA-BIC-DP.
  • Además, MR-Quantile fue aproximadamente 120 veces más rápido que cML-MA-BIC-DP para 100 SNPs.

• Estudio de Caso: Frecuencia Cardíaca en Reposo (RHR) y Fibrilación Auricular (AF):

  • Se aplicó el método a datos de GWAS de 425,748 individuos (RHR) y 228,926 casos de AF.
  • Los resultados mostraron un efecto causal protector: un aumento de una desviación estándar en la RHR se asoció con un riesgo de AF un 10-20% menor (RR = 0.796).
  • Este hallazgo es consistente con estudios previos, a pesar de la heterogeneidad observada en las estimaciones de razón, lo que sugiere que el método logra aislar el efecto causal a pesar de la pleiotropía presente.

5. Significado y Conclusión

El artículo introduce MR-Quantile como una herramienta robusta y eficiente para la inferencia causal en Randomización Mendeliana. Su principal ventaja radica en su capacidad para manejar escenarios donde la mayoría de las variantes genéticas podrían ser inválidas o donde los efectos pleiotrópicos son sutiles y difíciles de detectar.

• Impacto Práctico: Permite realizar análisis de RM más fiables en presencia de pleiotropía correlacionada, un problema frecuente en datos genómicos reales.
• Escalabilidad: Su velocidad computacional lo hace ideal para aplicaciones de alto rendimiento, como los estudios de asociación del transcriptoma (TWAS), donde se estiman cientos de miles de efectos causales.
• Limitaciones Futuras: Los autores reconocen que el método asume muestras independientes (sin superposición de GWAS) y está limitado a una sola exposición. Futuras extensiones podrían abordar muestras superpuestas y modelos multivariables.

En resumen, MR-Quantile ofrece un equilibrio óptimo entre robustez estadística, precisión en la estimación y eficiencia computacional, superando a muchos métodos actuales en escenarios de alta complejidad pleiotrópica.