EFGPP: Exploratory framework for genotype-phenotype prediction

Resumen Técnico: EFGPP – Un Marco Exploratorio para la Predicción Genotipo-Fenotipo

Enunciado del Problema
La predicción de fenotipos complejos a partir de datos genéticos humanos está cada vez más limitada no por la disponibilidad de datos, sino por el desafío de priorizar e integrar fuentes heterogéneas de señal. El campo posee una amplia gama de representaciones genéticas (por ejemplo, matrices de genotipo, componentes principales), herramientas de Puntuación de Riesgo Poligénico (PRS) y estudios de asociación del genoma completo (GWAS) de origen, pero carece de un marco sistemático y reproducible para determinar qué combinaciones son más informativas para un fenotipo dado bajo limitaciones de datos realistas. Esto es particularmente crítico para rasgos complejos con señales poligénicas moderadas, donde la contribución marginal de cada modalidad de datos es pequeña y las decisiones de selección impactan desproporcionadamente el rendimiento fuera de la muestra. Además, el valor potencial de integrar datos entre rasgos (por ejemplo, entradas derivadas de depresión para la predicción de migraña) sigue siendo incierto, ya que la acumulación indiscriminada de características puede conducir a redundancia y sobreajuste sin ganancias garantizadas en el rendimiento.

Metodología: El Marco EFGPP
Los autores presentan EFGPP (Marco exploratorio para la predicción genotipo-fenotipo), un flujo de trabajo sistemático diseñado para generar, clasificar, podar e integrar representaciones de datos genéticos heterogéneos. El marco opera a través de seis etapas principales:

1. Ensamblaje de Fuentes de Datos: Se ensamblan entradas heterogéneas a partir de cohortes objetivo y recursos externos de descubrimiento, incluidos datos de genotipo, covariables (clínicas y metabolómicas), componentes principales (PCA), anotaciones funcionales y estadísticas resumidas de GWAS.
2. Generación de Conjuntos de Datos: Se construyen múltiples conjuntos de datos individuales, que incluyen:
   • Covariables (por ejemplo, biomarcadores metabolómicos de RMN, condiciones comórbidas).
   • Representaciones PCA para tener en cuenta la estratificación poblacional.
   • Matrices derivadas de genotipos (ponderadas/no ponderadas, anotadas/no anotadas) derivadas de estadísticas resumidas de GWAS utilizando umbralización de valores P.
   • Representaciones PRS generadas utilizando cuatro herramientas distintas: PLINK, PRSice-2, ANNOPRED y LDAK-GWAS.
3. Clasificación y Poda: Los conjuntos de datos candidatos se evalúan mediante pruebas de referencia en 12 algoritmos de aprendizaje automático (incluyendo regresión logística, métodos de conjunto y redes neuronales) utilizando un diseño de evaluación por pliegues. Las representaciones redundantes se eliminan mediante poda basada en similitud (estadística de Kolmogorov–Smirnov).
4. Selección de Categoría: Los conjuntos de datos retenidos más fuertes se agrupan en familias representativas (covariables, PCA, genotipo, PRS) y se clasifican utilizando una puntuación compuesta que incorpora el AUC de validación, las brechas de generalización y las métricas de estabilidad.
5. Búsqueda Multimodal: Los conjuntos de datos preseleccionados se combinan sistemáticamente (2–5 conjuntos de datos) para evaluar si las representaciones integradas mejoran el rendimiento más allá de las modalidades individuales. Las combinaciones se filtran en función del rendimiento de validación.
6. Evaluación Final: Los mejores modelos individuales y multimodales se comparan utilizando métricas de rendimiento con validación cruzada en subconjuntos de prueba retenidos para cuantificar las ganancias derivadas de la integración estructurada.

Configuración Experimental
El marco se evaluó utilizando datos del Biobanco del Reino Unido de 733 individuos (53 casos de migraña, 680 controles). Se probaron dos configuraciones:

• Configuración 1 (Enfocada en migraña): Utilizó únicamente entradas de GWAS derivadas de migraña.
• Configuración 2 (Entre rasgos): Amplió el espacio de búsqueda para incluir entradas de GWAS y PRS derivadas de depresión para probar la utilidad de la información de rasgos relacionados.

El estudio empleó un diseño estricto por pliegues donde todo el procesamiento dependiente de datos (construcción de conjuntos de datos, selección de modelos, poda) ocurrió dentro de los pliegues de entrenamiento/validación, reservando los conjuntos de prueba retenidos exclusivamente para la evaluación final para prevenir la fuga de información.

Resultados Clave

• Rendimiento de Modalidad Única: Ninguna representación genética individual igualó el rendimiento de una línea base solo de covariables (AUC de prueba = 0.639). La mejor representación genética individual fue un conjunto de datos de genotipo ponderado derivado de GWAS de migraña (AUC de prueba = 0.644). Entre las herramientas PRS, PLINK tuvo el mejor rendimiento para puntuaciones derivadas de migraña, pero el PRS derivado de depresión (específicamente LDAK-GWAS) superó a todas las configuraciones de PRS derivadas de migraña (AUC de prueba = 0.564 vs. 0.521), lo que sugiere una arquitectura genética compartida.
• Integración Multimodal: La integración estructurada mejoró significativamente el rendimiento.
  • En la Configuración 1, el mejor modelo multimodal (combinando covariables, PCA y una matriz de genotipo de migraña ponderada no anotada) logró un AUC de prueba de 0.688, superando a la mejor modalidad individual (0.644) y a la línea base de covariables (0.639). Cabe destacar que los modelos de mejor rendimiento en esta configuración no incluían características PRS, favoreciendo matrices de genotipo directas.
  • En la Configuración 2, el mejor modelo (combinando genotipo de migraña anotado no ponderado y PRS LDAK-GWAS derivado de depresión) logró un AUC de prueba de 0.663. Aunque competitivo, esto fue inferior a la configuración enfocada en migraña, lo que indica que los datos entre rasgos deben priorizarse empíricamente en lugar de asumirse que mejoran el rendimiento.
• Contexto de Comparación: El mejor resultado multimodal de EFGPP (0.688) superó el mejor resultado de modelo completo de una sola herramienta (0.629) de una comparación complementaria de 46 herramientas PRS, demostrando que la integración multimodal estructurada ofrece ganancias medibles más allá de las herramientas PRS individuales.

Significado y Afirmaciones
Los autores posicionan a EFGPP no como un modelo de predicción desplegable clínicamente, sino como un marco reproducible de concepto para la priorización sistemática de datos. El estudio afirma que para la predicción de rasgos complejos, el desafío principal a menudo es la priorización de datos y no la escasez de datos. EFGPP proporciona un proceso de toma de decisiones estructurado para reducir grandes espacios de representación a un conjunto más pequeño de opciones de modelado basadas en evidencia.

El artículo enfatiza que:

1. La integración es clave: La integración multimodal estructurada puede mejorar la predicción más allá de cualquier modalidad de datos individual, incluso en cohortes de tamaño modesto.
2. La priorización importa: La priorización disciplinaria de características (seleccionar las combinaciones correctas) es más crítica que el volumen bruto de características; agregar más conjuntos de datos no garantiza una mejor generalización.
3. Utilidad entre rasgos: Las entradas de rasgos relacionados (por ejemplo, depresión para migraña) pueden contener señales predictivas útiles, pero su inclusión requiere una priorización empírica dentro de un marco estructurado en lugar de una adición indiscriminada.

Los autores concluyen que EFGPP sirve como una base práctica para que los estudios futuros pasen del ensamblaje oportunista de características hacia la construcción sistemática y basada en evidencia de modelos de predicción genotipo-fenotipo, reconociendo al mismo tiempo las limitaciones relacionadas con el tamaño de la muestra, la falta de validación externa y la necesidad de una mayor calibración y comparación con cohortes más grandes.