Scalable penalized regression boosts accuracy and computational efficiency for single- and cross-ancestry polygenic prediction

Resumen Técnico: Regresión Penalizada Escalable para la Predicción Poligénica

Planteamiento del Problema
Las puntuaciones poligénicas (PGS) ofrecen un potencial para la estratificación temprana de riesgos en enfermedades complejas, pero enfrentan dos limitaciones primarias: un compromiso entre el encogimiento (shrinkage) adaptativo de los SNP y la eficiencia computacional, y un omnipresente sesgo eurocéntrico en los Estudios de Asociación de Genoma Completo (GWAS).

1. Compromiso Computacional vs. Adaptativo: Los métodos bayesianos existentes (p. ej., LDpred2, PRS-CS) utilizan priors flexibles para un encogimiento adaptativo, pero dependen de procedimientos de Cadenas de Markov Monte Carlo (MCMC), lo que resulta en altos costos computacionales. Por el contrario, los métodos de regresión penalizada (p. ej., Lassosum) son computacionalmente eficientes pero a menudo aplican un encogimiento no adaptativo que no varía con las distribuciones de los efectos subyacentes.
2. Sesgo de Ancestría y Transferibilidad: La mayoría de los GWAS se realizan en poblaciones europeas (EUR). Las PGS entrenadas en datos de EUR suelen perder más del 50% de su precisión cuando se aplican a poblaciones no europeas (p. ej., asiáticos orientales, africanos, del sur de Asia) debido a la heterogeneidad en los tamaños de los efectos genéticos, las frecuencias alélicas y los patrones de desequilibrio de ligamiento (LD). Además, los métodos de ancestría cruzada suelen sufrir altos costos computacionales y carecen de una validación rigurosa en cohortes de Asia Oriental.

Metodología
Los autores proponen un marco de regresión penalizada escalable que integra penalizaciones de tipo spike-and-slab LASSO dentro de un modelo de ensamble para lograr tanto un encogimiento adaptativo como eficiencia computacional. El marco consta de dos métodos:

1. Spike-and-Slab Lassosum (SSL): Diseñado para la predicción de una sola ancestría.

   • Mecanismo: Reemplaza la penalización constante del LASSO estándar con una penalización adaptativa basada en datos derivada de un prior spike-and-slab. Este prior modela los efectos de los SNP como una mezcla de un "slab" (distribución de Laplace con $\lambda_1$ pequeño para efectos grandes) y un "spike" (distribución de Laplace con $\lambda_0$ grande para efectos pequeños).
   • Optimación: El modelo maximiza una verosimilitud penalizada utilizando algoritmos de descenso de coordenadas. Aproxima la verosimilitud utilizando estadísticas de resumen de GWAS y una matriz de LD de referencia.
   • Aprendizaje de Ensamble: En lugar de seleccionar un único conjunto óptimo de parámetros de ajuste, SSL genera un conjunto de PGS a través de una cuadrícula de parámetros ($\lambda_0, \lambda_1, \theta, s$) y los combina utilizando el algoritmo de ensamble SuperLearner (utilizando LASSO, ridge o regresión lineal) para producir la puntuación final.

2. Prior Spike-and-Slab Lassosum (pSSL): Una extensión para la predicción de ancestría cruzada.

   • Mecanismo: pSSL incorpora información previa de una población auxiliar (p. ej., EUR) en el modelo de la población objetivo mediante un hiperparámetro $\eta \in [0,1]$. Esto se logra añadiendo un término de regularización que actúa como un componente de aprendizaje por transferencia, imponiendo efectivamente un prior gaussiano centrado en el vector de predicción auxiliar.
   • Requisitos de Datos: A diferencia de algunos métodos de ancestría cruzada, pSSL requiere únicamente estadísticas de resumen de la población auxiliar y no requiere datos de nivel individual ni matrices de LD de la población auxiliar, solo de la población objetivo.
   • Ensamble: Al igual que SSL, genera múltiples modelos a través de una cuadrícula de parámetros (incluyendo $\eta$) y los combina mediante aprendizaje de ensamble.

Contribuciones Clave

• Innovación Algorítmica: La integración de spike-and-slab LASSO en un marco de regresión penalizada permite un encogimiento adaptativo (preservando señales fuertes mientras se suprimen las débiles) sin la carga computacional de MCMC.
• Escalabilidad: Los métodos utilizan descenso de coordenadas y descomposición de bloques de LD, reduciendo significativamente el tiempo de ejecución y el uso de memoria en comparación con los enfoques bayesianos.
• Marco de Ancestría Cruzada: pSSL proporciona una solución práctica para aprovechar las extensas estadísticas de resumen de GWAS de EUR para mejorar la predicción en poblaciones subrepresentadas sin requerir modelos de LD de múltiples poblaciones complejos o datos de nivel individual auxiliares.

Resultados

• Simulaciones (Ancestría Única): En 11 escenarios de simulación que cubren diversas arquitecturas genéticas (dispersas, infinitesimales e híbridas), SSL ocupó el primer lugar en el 54.5% de los escenarios y el segundo en el 18.2%. Logró una mejora promedio de $R^2$ del 39.7% sobre C+T, del 10.2% sobre Lassosum y del 4.5% sobre PRS-CS.
• Simulaciones (Ancestría Cruzada): En 72 configuraciones de simulación de ancestría cruzada, pSSL ocupó el primer lugar en el 50.0% de los escenarios, superando a PRS-CSx (27.8%), CT-SLEB (18.1%) y PROSPER (2.7%). La ventaja fue más pronunciada en poblaciones africanas (AFR), donde pSSL logró ganancias promedio de $R^2$ del 14.4% sobre CT-SLEB.
• Análisis de Datos Reales (UK Biobank & Dongfeng-Tongji):
  • Ancestría Única: A través de 32 rasgos complejos, SSL alcanzó una precisión óptima para el 90.6% (UKB) y el 84.4% (DFTJ) de los rasgos. Mejoró el $R^2$ en un promedio de 7.8% (UKB) y 10.4% (DFTJ) respecto a PRS-CS.
  • Ancestría Cruzada: En la cohorte DFTJ (objetivo de Asia Oriental), pSSL ocupó el primer lugar en 71.9% de los rasgos, produciendo una ganancia promedio de $R^2$ del 12.3% sobre PRS-CSx. Superó notablemente a otros en rasgos de lípidos y glóbulos rojos.
• Eficiencia Computacional:
  • SSL redujo el tiempo de ejecución a aproximadamente un tercio de PRS-CS (32.5 min vs. 120.7 min) y utilizó menos de un quinto de la memoria (9.0 GB vs. 54.3 GB).
  • pSSL requirió aproximadamente 1/6 del tiempo de ejecución de PRS-CSx (56.3 min vs. 319.0 min) y menos de 1/4 de la memoria.

Significancia y Reivindicaciones
El artículo afirma que SSL y pSSL logran cerrar la brecha entre la escalabilidad computacional de la regresión penalizada y el encogimiento adaptativo de datos de los métodos bayesianos.

• Equidad: Al demostrar un rendimiento superior en poblaciones de Asia Oriental y África, particularmente a través del marco pSSL, los autores argumentan que estos métodos tienen un gran potencial para promover la aplicación equitativa de las PGS en diversas poblaciones.
• Practicidad: La capacidad de utilizar estadísticas de resumen de poblaciones auxiliares sin requerir sus datos de nivel individual o matrices de LD hace que pSSL sea una herramienta práctica para mejorar la predicción en grupos subrepresentados donde los GWAS a gran escala son escasos.
• Limitaciones: Los autores señalan que su análisis se restringió a SNPs de HapMap3, lo que podría subestimar el rendimiento en grupos no europeos. Además, el enfoque de ensamble requiere suficientes muestras de ajuste (1,500–3,000), y el marco actual de pSSL se limita al análisis de dos poblaciones, aunque esto se plantea como una elección pragmática dado el panorama de datos actual.

Los autores concluyen que estos métodos avanzan en el campo al permitir la predicción de PGS de ancestría única y de ancestría cruzada de manera precisa, eficiente y escalable.