Annotation-Informed Block-Sparse Bayesian Modeling for cis-Expression Prediction

Resumen Técnico: Modelado Bayesiano de Esparcidad por Bloques Informado por Anotaciones para la Predicción de la Expresión cis

Planteamiento del Problema
La predicción de la expresión cis basada en genotipos es fundamental para la construcción de los pesos de los Estudios de Asociación de Todo el Transcriptoma (TWAS). Sin embargo, los métodos actuales se enfrentan a un desafío estadístico y biológico dual: los paneles de transcriptoma de referencia suelen contener cientos de individuos, mientras que las ventanas cis pueden abarcar miles de variantes correlacionadas. Este régimen de alta dimensionalidad y baja muestra requiere una regularización fuerte. Los enfoques existentes generalmente se dividen en dos categorías: la regresión penalizada dispersa (p. ej., LASSO, elastic net), que trata los SNPs como intercambiables, y los modelos mixtos densos (p. ej., BLUP), que distribuyen la señal de manera amplia. Ninguna de estas clases modela explícitamente la organización local de las variantes cis correlacionadas, específicamente el hecho de que las señales reguladoras suelen originarse dentro de vecindarios locales de haplotipos (Desequilibrio de Ligamiento o bloques de LD) y que las variantes cercanas al Sitio de Inicio de la Transcripción (TSS) son biológicamente más propensas a ser causales. En consecuencia, ningún enfoque ha demostrado ser uniformemente óptimo en todos los genes, tejidos y ancestrías.

Metodología: bsBSLMM
Los autores proponen el Modelo Lineal Mixto Bayesiano de Esparcidad por Bloques (bsBSLMM), una extensión jerárquica del estándar Modelo Lineal Mixto Bayesiano de Esparcidad (BSLMM). El modelo descompone la expresión génica estandarizada ($\mathbf{y}$) en un componente de efecto cis disperso ($\mathbf{X}\boldsymbol{\beta}$), un trasfondo poligénico denso ($\mathbf{g}$) y ruido residual ($\boldsymbol{\epsilon}$).

La innovación reside en dos estructuras de prior específicas impuestas sobre el componente disperso:

1. Esparcidad de tipo "Spike-and-Slab" por Bloques de LD: En lugar de tratar los SNPs de forma individual, los SNPs contiguos se particionan en bloques de LD basados en un umbral de correlación ($r^2 < 0.1$) o un tamaño máximo (200 SNPs). Una variable indicadora a nivel de bloque ($z_b$) controla cada bloque. Si un bloque está inactivo ($z_b=0$), todos los efectos de los SNPs dentro de ese bloque se establecen determinísticamente en cero. Esto desplaza la unidad de esparcidad de los SNPs individuales a los vecindarios de LD.
2. Prior de Inclusión de SNPs Informado por el TSS: Dentro de los bloques activos, la probabilidad de que un SNP sea incluido ($\pi_j$) no es uniforme, sino que se modela como una función de su distancia al TSS, específicamente $\pi_j = \sigma(\alpha + \kappa a_j)$, donde $a_j$ es la distancia del SNP al TSS en megabases, y $\kappa$ es un coeficiente específico de cada gen aprendido conjuntamente dentro de la cadena MCMC. Esto permite favorecer a las variantes próximas al TSS, permitiendo que los datos determinen la fuerza de esta preferencia para cada gen.

La inferencia se realiza mediante un muestreador de Metropolis-dentro-de-Gibbs. Para asegurar la viabilidad computacional, el trasfondo poligénico denso se actualiza mediante una rotación de la Matriz de Relación Genética (GRM) (diagonalizando la matriz), y los indicadores de nivel de bloque se actualizan utilizando una aproximación diagonal de la verosimilitud marginal, seguido de un escaneo secuencial de SNPs dentro del bloque que mantiene el acoplamiento completo de LD.

Contribuciones Clave

• Nuevo Prior Jerárquico: La integración de la estructura de bloques de LD y los priors informados por anotaciones en un marco unificado de modelo mixto bayesiano.
• Ablación de Componentes: El estudio separa explícitamente las contribuciones de la esparcidad por bloques de la de la distancia al TSS, demostrando que ambos componentes proporcionan mejoras distintas y aditivas.
• Evaluación Comparativa Exhaustiva: El método se evalúa frente a una amplia gama de líneas de base (BSLMM, LASSO, BLUP, TIGAR elastic net y TIGAR Dirichlet-process regression) a través de múltiples conjuntos de datos y ancestrías.
• Validación de Aplicación (Downstream): La utilidad de los pesos aprendidos se valida no solo mediante la precisión de la predicción, sino también mediante el enriquecimiento funcional en anotaciones regulatorias y la recuperación de señales relevantes para enfermedades en TWAS.

Resultados

• Desempeño de Predicción: En el conjunto de datos de la línea celular de linfoblastos de ascendencia europea GEUVADIS (23,098 genes), el bsBSLMM retuvo el mayor número de genes que pasaron los filtros estrictos de predicción (3,518 genes), superando al BSLMM con MCMC emparejado por 388 genes (+12.4%). En los genes retenidos compartidos, el bsBSLMM mostró una precisión de predicción de validación (held-out) significativamente mayor (media $\Delta r = +0.0189$) en comparación con todas las líneas de base.
• Contribuciones de los Componentes: Los estudios de ablación revelaron que la capa de bloques de LD fue el principal motor de mejora (añadiendo 265 genes y $\Delta r = +0.0155$), mientras que el prior de distancia al TSS proporcionó una ganancia incremental menor pero consistente (añadiendo 123 genes y $\Delta r = +0.0035$).
• Plausibilidad Biológica: Las variantes seleccionadas por bsBSLMM mostraron un mayor enriquecimiento en regiones regulatorias relevantes para LCL (picos de DNase y H3K27ac de GM12878) en comparación con BSLMM. El coeficiente de distancia al TSS aprendido fue negativo en el 98.8% de los genes, confirmando la capacidad del modelo para recuperar el prior biológico de que las variantes proximales son más propensas a ser activas.
• Descubrimiento en TWAS: En un análisis TWAS de IBD, el bsBSLMM recuperó señales establecidas (p. ej., IL23R) e identificó 30 genes adicionales con significancia a nivel genómico que no fueron detectados por BSLMM.
• Validación de la Ancestría: En el estudio independiente de la cohorte de sangre total de la Louisiana Osteoporosis Study (LOS) (subcohortes de estadounidenses caucásicos y afroamericanos), el bsBSMML reprodujo la ventaja de predicción, reteniendo la mayor cantidad de genes y superando a las líneas de base en comparaciones emparejadas. El TWAS posterior para la densidad mineral ósea (eBMD) recuperó vías biológicamente relevantes.
• Viabilidad Computacional: La implementación en Python+Numba requirió una mediana de 55.6 segundos por gen, mientras que una implementación en C++ redujo esto a 30.8 segundos, lo que hace que sea computacionalmente comparable al BSLMM con MCMC emparejado a pesar de la complejidad añadida.

Significancia
El artículo sostiene que la incorporación de la estructura de bloques de LD y los priors de SNPs informados biológicamente mejora la predicción de la expresión cis y potencia el descubrimiento de TWAS. Los resultados demuestran que modelar la organización local de las variantes correlacionadas y aprovechar los priors de posición genómica permite una identificación más precisa de la arquitectura regulatoria que los modelos densos o dispersos estándar. El método logra equilibrar la relación entre la complejidad del modelo y el poder predictivo, produciendo pesos que no solo son más predictivos, sino también más interpretables biológicamente y transferibles entre diversas ancestrías y rasgos. Los autores concluyen que el bsBSLMM proporciona un prior bayesiano modular que mejora tanto el rendimiento de los genes predecibles como la precisión de sus estimaciones de efecto.