Accounting for place: confounding via geography obscures polygenic evidence on mental health and environmental exposures in the UK Biobank

Este estudio demuestra que tener en cuenta explícitamente el contexto geográfico local mediante modelos multinivel es crucial en los análisis del UK Biobank, ya que revela que los modelos de un solo nivel tradicionales ajustados únicamente por componentes principales genéticos pueden producir asociaciones sesgadas entre las puntuaciones poligénicas para la salud mental y las exposiciones ambientales como los espacios verdes debido a un confusión geográfica no abordada.

Lo esencial

La Gran Imagen: El "Efecto del Vecindario" en la Salud Mental

Imagina que estás tratando de averiguar si un tipo específico de semilla (la composición genética de una persona para la salud mental) crece mejor en un jardín (un vecindario verde y frondoso) o en un estacionamiento de concreto (un área urbana y construida).

Durante mucho tiempo, los científicos han examinado esto plantando semillas en diferentes jardines y contando cuántas flores crecen. Notaron un patrón: las personas con ciertos riesgos genéticos para la depresión o la esquizofrenia a menudo parecen vivir en áreas menos verdes, mientras que aquellas con un mejor bienestar genético parecen vivir en lugares más verdes.

Pero este artículo argumenta que los científicos han estado mirando la cosa equivocada. Estaban culpando a la semilla por el suelo, cuando en realidad, el suelo (el vecindario) era lo que influía en dónde terminaron las semillas en primer lugar.

El Problema: "Confusión a través de la Geografía"

Los autores llaman a este problema "Confusión a través de la Geografía". Aquí hay una forma sencilla de pensarlo:

Imagina que eres un detective tratando de resolver un misterio. Notas que las personas que viven en Londres tienden a tener un perfil genético diferente al de las personas que viven en los Cotswolds (un área rural).

• El Error: Si simplemente comparas a los londinenses y a los de los Cotswolds sin pensar en por qué son diferentes, podrías pensar: "Oh, vivir en Londres causa esta diferencia genética".
• La Realidad: No es la ciudad la que cambió sus genes. Es que las personas con ciertos antecedentes, ingresos y historias de vida (que se agrupan en ciudades frente al campo) se mudaron allí. La ciudad no causó la genética; la historia y la economía del lugar causaron tanto el tipo de personas que viven allí como el tipo de entorno en el que viven.

El artículo dice que los estudios anteriores a menudo olvidaron tener en cuenta esta "trampa geográfica". Trataban a cada persona como un punto de datos independiente, como lanzamientos de dados individuales, cuando en realidad, las personas en el mismo vecindario son más similares entre sí que a las personas en la siguiente ciudad.

El Experimento: La "Lente Mágica" (Modelos Multinivel)

Para solucionar esto, los investigadores utilizaron una herramienta estadística especial llamada modelo de Mundlak. Piensa en esto como una lente mágica que les permite observar los datos de dos formas diferentes al mismo tiempo:

1. La Vista "Dentro del Vecindario": Esto observa a las personas dentro del mismo vecindario. Pregunta: "Si dos personas viven en la misma calle, y una tiene un alto riesgo genético de depresión, ¿viven en una casa menos verde que su vecino?"
2. La Vista "Entre Vecindarios": Esto observa las diferencias entre vecindarios. Pregunta: "¿Los vecindarios con un promedio alto de genes de depresión generalmente tienen menos espacios verdes?"

Al separar estas dos vistas, los investigadores pudieron ver si el efecto del "espacio verde" era real para el individuo, o si era solo una ilusión causada por el hecho de que ciertos tipos de vecindarios atraen a ciertos tipos de personas.

Lo Que Encontraron: El Giro de la Trama

Cuando miraron los datos sin la "lente mágica" (la forma antigua), encontraron lo que todos esperaban:

• Las personas con genes para la depresión parecían vivir en áreas menos verdes.
• Las personas con genes para la esquizofrenia parecían vivir en áreas menos verdes.

Pero cuando usaron la "lente mágica" (la forma nueva), la historia cambió por completo:

1. El "Ruido" Desapareció: Cuando miraron estrictamente a las personas dentro del mismo vecindario, el vínculo entre los genes malos y los vecindarios malos desapareció en gran medida.
2. El Signo Se Volteó: Para la esquizofrenia, ¡los resultados realmente se voltearon! Al mirar estrictamente dentro de los vecindarios, las personas con un mayor riesgo genético de esquizofrenia en realidad parecían vivir en lugares más verdes que sus vecinos.
3. El Efecto "Entre" es el Culpable: La razón por la que los estudios antiguos vieron un vínculo fue debido al efecto Entre Vecindarios. Las áreas más ricas y verdes tienden a tener poblaciones diferentes a las áreas urbanas más pobres. Los estudios antiguos estaban culpando accidentalmente a los genes del individuo por la pobreza o la riqueza del vecindario.

El Mapa "Residual": Donde el Modelo Falló

Los investigadores también miraron los errores "sobrantes" en su modelo (residuos). Descubrieron que el modelo luchaba más en lugares extremos:

• El Distrito de los Picos y los Parques Nacionales: Estas áreas muy rurales y verdes tenían enormes "errores" en el modelo.
• El Centro de Londres: Estas áreas muy urbanas también tenían enormes errores.

Esto sugiere que no puedes simplemente comparar a una persona en un Parque Nacional con una persona en Londres y asumir que son "intercambiables" (comparables). Las diferencias entre estos lugares son tan masivas (en términos de historia, economía y cultura) que una comparación genética simple no funciona a menos que tengas en cuenta la brecha masiva entre los dos mundos.

La Conclusión Principal

El artículo concluye que la geografía es un confusor poderoso.

Si eres un genetista estudiando la salud mental, no puedes simplemente mirar el ADN de una persona y su dirección y asumir que la dirección es un resultado de su ADN. Debes darte cuenta de que dónde vive la gente a menudo está determinado por factores que también dan forma a la distribución de su ADN (como patrones de migración, historia económica y políticas locales).

La Solución:
Los autores sugieren que los científicos deberían usar rutinariamente esta "lente mágica" (modelado multinivel) para separar los efectos "dentro del vecindario" de los efectos "entre vecindarios". Si los resultados cambian drásticamente cuando haces esto, significa que el hallazgo original probablemente fue solo un truco de la geografía, no una causa biológica verdadera.

En resumen: No culpes a la semilla por el suelo. A veces, el suelo simplemente sucede a ser donde terminaron ciertas semillas, y necesitamos mejores herramientas para distinguir la diferencia.

Resumen técnico

Resumen Técnico: Contabilizar el Lugar: Confusión por Geografía en la Epidemiología Genética

Enunciado del Problema
Este estudio aborda el problema de la "confusión por geografía" en la investigación epidemiológica genética, específicamente en el contexto del UK Biobank. Mientras que los análisis tradicionales de índices poligénicos (PGI) para rasgos de salud mental suelen ajustar por componentes principales (CP) genéticos para controlar la estratificación poblacional, a menudo no logran tener en cuenta el contexto geográfico local. Los autores argumentan que, dado que tanto los resultados de salud mental como las exposiciones ambientales (como las zonas verdes) muestran un fuerte patrón geográfico, las causas comunes pueden agruparse por ubicación. Ignorar esta estructura puede inducir sesgos, lo que lleva a asociaciones espurias entre rasgos predichos genéticamente y exposiciones ambientales. El artículo postula que tratar a los individuos como observaciones independientes en conjuntos de datos con estructura geográfica corre el riesgo de atribuir erróneamente la varianza explicada por confusores con estructura geográfica (por ejemplo, políticas locales, diferencias demográficas) a exposiciones genéticas a nivel individual.

Metodología
Los autores utilizaron datos del UK Biobank (N que oscila entre 209.391 y 293.851 según el resultado) para investigar la relación entre rasgos de salud mental predichos genéticamente y dos medidas de zonas verdes residenciales:

1. Porcentaje de Zonas Verdes: Datos derivados del uso del suelo dentro de un radio de 300 m.
2. Índice de Vegetación de Diferencia Normalizada (NDVI): Verdesatélite derivados dentro de un radio de 500 m.

El estudio construyó PGI para tres rasgos: depresión, bienestar y esquizofrenia, utilizando estadísticas resumidas de estudios de asociación del genoma completo (GWAS). Estos PGI se generaron a través de un espectro de umbrales de valor p (desde $p < 0.5$ hasta la significancia a nivel del genoma $p < 5 \times 10^{-8}$) para probar la robustez de las señales bajo diferentes niveles de filtrado de SNP.

Para abordar la confusión geográfica, los autores compararon dos enfoques de modelado:

1. Regresión Lineal de Nivel Único: Modelos estándar que ajustan por edad, sexo y los primeros 25 CP genéticos.
2. Modelos Mundlak Multinivel: Estos modelos descomponen el efecto del PGI en:
   • Efectos dentro del área: La asociación entre el PGI de un individuo y las zonas verdes, manteniendo constante la media del área.
   • Efectos contextuales (entre áreas): La asociación entre el PGI medio de un vecindario y el resultado de zonas verdes, manteniendo constantes las características individuales.

Esta formulación permite la modelización explícita de la varianza con estructura geográfica en lugar de tratarla únicamente como una molestia. Todos los modelos se ajustaron por 25 CP genéticos.

Resultados Clave

• Asociaciones Fenotípicas: Consistente con la literatura previa, los análisis fenotípicos mostraron que los individuos con diagnósticos de depresión o esquizofrenia, o con menor bienestar, tendían a residir en áreas con menos zonas verdes.
• PGI y Zonas Verdes (Nivel Único): En modelos de nivel único que utilizan PGI filtrados menos estrictamente (umbrales de valor p más altos), la depresión y la esquizofrenia predichas genéticamente se asociaron con menos zonas verdes, mientras que el bienestar se asoció con más zonas verdes.
• Atenuación e Inversión de Signo: Cuando se aplicaron umbrales de valor p más estrictos a los PGI, las asociaciones se atenuaron significativamente. Notablemente, para la esquizofrenia, el signo de la asociación cambió por completo en los modelos más estrictos.
• Dentro del Área vs. Nivel Único: Las estimaciones dentro del área derivadas de los modelos Mundlak para PGI menos filtrados se alinearon más estrechamente con las estimaciones obtenidas de PGI estrictamente filtrados en modelos de nivel único.
• Efectos Contextuales: El estudio encontró fuertes efectos contextuales negativos, particularmente para la esquizofrenia. Esto sugiere que vivir en un área con un PGI promedio de esquizofrenia más alto se asocia con menos zonas verdes, mientras que dentro de un área específica, los individuos con un PGI de esquizofrenia más alto pueden estar en realidad más cerca de más zonas verdes.
• Residuos Geográficos: El análisis de los residuos del modelo reveló que los modelos de nivel único geográficamente ingenuos funcionaron mal en entornos extremos, como los Parques Nacionales (residuos altos) y el centro de Londres (residuos bajos), lo que indica que estos modelos no logran capturar las diferencias estructurales entre estos distintos contextos geográficos.

Contribuciones Clave

1. Demostración de Sesgo: El artículo proporciona evidencia empírica de que ignorar el contexto geográfico en la epidemiología genética puede conducir a estimaciones sesgadas de la relación entre predisposiciones genéticas y exposiciones ambientales.
2. Marco Metodológico: Los autores abogan por el uso rutinario de modelos Mundlak multinivel para descomponer los efectos del PGI en componentes dentro del área y contextuales. Este enfoque ayuda a distinguir entre vías causales a nivel individual y confusión con estructura geográfica.
3. Propuesta de Análisis de Sensibilidad: El estudio sugiere que comparar las estimaciones de nivel único con las estimaciones dentro del área (análogo a una prueba de Hausman) sirve como un análisis de sensibilidad crítico. Si estas estimaciones divergen, señala la presencia de confusión por geografía que no es capturada por los ajustes estándar de CP genéticos.
4. Recuperación de la Señal Genética: Los resultados indican que modelar explícitamente el contexto geográfico puede ayudar a recuperar señales genéticas robustas a partir de PGI más ruidosos y menos filtrados, lo que sugiere que el efecto "verdadero" a nivel individual puede estar oscurecido por la confusión entre áreas en los análisis estándar.

Significado y Afirmaciones
El artículo afirma que las asociaciones observadas entre los PGI de salud mental y las zonas verdes en estudios anteriores probablemente reflejan confusión por geografía en lugar de vías causales directas. Los autores argumentan que los epidemiólogos genéticos que trabajan con poblaciones con estructura espacial deben investigar rutinariamente el contexto local. Sostienen que asumir la intercambiabilidad condicional entre individuos en entornos geográficos muy diferentes (por ejemplo, el centro de Londres frente al Distrito de Peak) a menudo es incorrecto.

El estudio concluye que, aunque los modelos de nivel único ajustados por CP genéticos son insuficientes, la inclusión del contexto local mediante modelado multinivel ofrece un mecanismo para inferir sobre estructuras causales complejas y mitigar el sesgo. Los autores recomiendan que tales análisis de sensibilidad informados geográficamente se conviertan en una práctica estándar en el campo para prevenir la atribución errónea de causas genéticas a orígenes ambientales o sociales aguas arriba.