UKBAnalytica: an integrated R package for scalable phenotyping and reproducible epidemiological analysis within the UK Biobank Research Analysis Platform

Resumen Técnico de UKBAnalytica

Planteamiento del Problema
El UK Biobank (UKB) ofrece un vasto recurso longitudinal de aproximadamente 500.000 participantes con registros de salud vinculados, datos genéticos y perfiles multiómicos. Sin embargo, la riqueza de estos datos crea cuellos de botella analíticos significativos. Los investigadores suelen enfrentarse a flujos de trabajo fragmentados y repetitivos que involucran la limpieza de datos, la armonización de endpoints de enfermedades de múltiples fuentes (por ejemplo, códigos ICD-10/9, autoinformes, registros de defunción, códigos OPCS-4) y la distinción entre casos prevalentes e incidentes, así como la construcción de cohortes preparadas para análisis de supervivencia. Si bien las herramientas existentes como ukbtools, PHESANT y FastUKB abordan aspectos específicos como la gestión de archivos locales, escaneos de fenotipos o extracción orientada a RAP, persiste la falta de un marco integrado, ligero y orientado al fenotipo que conecte directamente la definición del endpoint con la construcción de cohortes de supervivencia y el análisis epidemiológico o de aprendizaje automático (machine learning) posterior dentro del entorno seguro de la Plataforma de Análisis de Investigación (RAP).

Metodología
Los autores desarrollaron UKBAnalica, un paquete de R extensible diseñado específicamente para el entorno de la plataforma RAP de UK Biobank. El paquete opera sobre un flujo de trabajo centrado en el fenotipo, abstrayendo fuentes de datos heterogéneas en objetos reutilizables para estandarizar el pipeline analítico.

1. Extracción y Preprocesamiento de Datos: El paquete incluye funciones (rap_extract_pheno, get_variable_info) para recuperar campos fenotípicos de RAP. Proporciona 52 variables de línea base predefinidas y 15 conjuntos de variables curadas (que cubren 167 entradas de campos) para demografía, biomarcadores, estilo de vida y genética, reduciendo la recodificación manual.
2. Fenotipado de Múltiples Fuentes: Una característica central es una biblioteca integrada de 331 definiciones de enfermedades curadas. Estas definiciones integran múltiples fuentes de evidencia, incluyendo ICD-10/9, condiciones autoinformadas, registros de defunción, códigos OPCS-4, datos del registro de cáncer y algoritmos definidos para resultados. Los usuarios pueden recuperarlos mediante get_predefined_diseases() o construir definiciones personalizadas usando create_disease_definition().
3. Construcción de Cohortes: La función build_survival_dataset() procesa los registros de enfermedades para distinguir casos prevalentes de incidentes basándose en las fechas de evaluación de la línea base. Calcula el tiempo de seguimiento, asigna el estado de censura y genera conjuntos de datos de supervivencia listos para el análisis, gestionando explícitamente el orden temporal requerido para el análisis prospectivo.
4. Módulos de Análisis Posterior: El paquete ofrece un marco unificado para:
   • Epidemiología: Resúmenes de línea base (create_baseline_table), modelos de regresión (Cox, logística, lineal, GLM, GAM) mediante run_regression, análisis de subgrupos/interacción y análisis de sensibilidad (por ejemplo, exclusión de eventos con retardo o lagged event exclusion).
   • Estadística Avanzada: Imputación múltiple (vía mice), emparejamiento/ponderación por puntaje de propensión (propensity score) y análisis de mediación causal.
   • Aprendizaje Automático (Machine Learning): Flujos de trabajo de extremo a extremo (ukb_ml_flow) para clasificación y modelado de supervivencia (incluyendo XGBoost, Random Forests, modelos de Cox) con ajuste de hiperparámetros, validación cruzada e interpretabilidad basada en SHAP.
   • Visualización: Gráficos listos para publicación de diagramas de Forest, curvas de Kaplan-Meier, curvas ROC/PR y gráficos SHAP.
5. Integración de IA: El paquete incluye un "paquete de habilidades" (skill pack) agnóstico al proveedor con 14 habilidades de agentes reutilizables para asistir a los investigadores en la escritura de código de análisis, aplicando estrictos protocolos de privacidad de datos (evitando que los agentes de IA accedan a datos de nivel individual de RAP).

Resultados Clave
La utilidad de UKBAnalytica se demostró mediante un estudio de caso de extremo a extremo sobre la EPOC (Enfermedad Pulmonar Obstructiva Crónica) incidente utilizando datos de proteómica plasmática dentro del RAP de UK Biobank.

• Cohorte: El estudio analizó 50.172 participantes (2.427 casos incidentes de EPOC), divididos en conjuntos de entrenamiento y de validación interna.
• Firmas Proteómicas: La regresión de Cox identificó 163 proteínas significativamente asociadas con la EPOC incidente en el conjunto de entrenamiento (ajustado por Bonferroni). La señal más fuerte fue GDF15 (HR = 1.51). En el conjunto de validación, 69 proteínas permanecieron significativas, con 63 superpuestas con el conjunto de entrenamiento y 161 mostrando una direccionalidad consistente (r de Pearson = 0.895).
• Interpretación Biológica: El análisis de enriquecimiento vinculó estas proteínas con procesos inmunes e inflamatorios (por ejemplo, respuesta inmune innata, activación del complemento). Las redes de interacción proteína-proteína identificaron cuatro grupos funcionales distintos relacionados con la activación de leucocitos y el metabolismo de lípidos.
• Modelado Predictivo: Un modelo XGBoost que combina covariables clínicas y datos proteómicos alcanzó la mayor discriminación (AUC = 0.824), superando a los modelos que utilizaban solo proteínas (AUC = 0.804) o solo variables clínicas (AUC = 0.800). El análisis SHAP confirmó que el modelo prioriza proteínas biológicamente relevantes (ej. GDF15, ADM, AGER).
• Estratificación de Riesgo: Los puntajes de riesgo calibrados estratificaron eficazmente a los participantes en grupos de bajo, intermedio y alto riesgo, con hazard ratios de 4.52 y 17.78 para los grupos de riesgo intermedio y alto, respectivamente, en comparación con el grupo de bajo riesgo.
• Robustez: Los análisis de sensibilidad (excluyendo eventos tempranos, ajustando por tabaquismo, excluyendo asma) confirmaron la estabilidad de las asociaciones proteína-EPOC.

Significancia y Reivindicaciones
Los autores posicionan a UKBAnalytica no como un reemplazo de las herramientas existentes, sino como un marco complementario e integrado que cierra la brecha entre la extracción de datos y el modelado complejo.

• Reproducibilidad y Transparencia: Al abstraer las definiciones de enfermedades y estandarizar la construcción de cohortes, el paquete reduce la repetición de scripts y asegura definiciones de endpoints consistentes entre estudios.
• Eficiencia del Flujo de Trabajo: Conecta la curación de fenotipos directamente con el modelado estadístico y de aprendizaje automático dentro de un único entorno de R, eliminando la necesidad de reconstruir archivos de entrada específicos para cada modelo.
• Validez Biológica: El caso de estudio de EPOC demostró que el marco puede recuperar señales biológicamente creíbles (como la proteína de superficie pulmonar D, AGER, CEACAM6) consistentes con la literatura previa, validando su utilidad para la investigación impulsada por biomarcadores.
• Accesibilidad: El paquete está disponible gratuitamente, incluye documentación extensa y está diseñado para facilitar la investigación biomédica reproducible basada en RAP sin requerir descargas de datos locales.

El artículo concluye que UKBAnalytica proporciona una solución práctica, extensible y orientada al fenotipo para investigadores que buscan realizar análisis transparentes de extremo a extremo de los datos de UK Biobank en entornos de nube seguros.