A rotated multivariate linear mixed model for dual large-scale genome-wide association study

Resumen Técnico: Un Modelo Lineal Mixto Multivariante Rotado para Estudios de Asociación de Genoma Completo Duales a Gran Escala

Planteamiento del Problema
El artículo aborda dos cuellos de botella críticos en los estudios modernos de asociación de genoma completo (GWAS) que utilizan datos a escala de biobancos: la compensación entre la eficiencia computacional y el poder estadístico en análisis de múltiples rasgos, y la incapacidad de los métodos existentes para escalar tanto a tamaños de muestra masivos (p. ej., >300,000 individuos) como a fenotipos de alta dimensión (p. ej., >10 rasgos). Aunque los modelos lineales mixtos (LMM) controlan eficazmente la estratificación de la población y la relación de parentesco de la muestra, las herramientas de vanguardia actuales como GEMMA son computacionalmente intratables para GWAS multivariantes a gran escala. La dependencia de GEMMA en la optimización de Newton-Raphson para la estimación de la matriz de covarianza resulta en una complejidad temporal de $O(nd^6)$, lo que la hace impracticable para conjuntos de datos con un $n$ grande (tamaño de la muestra) y un $d$ grande (conteo de fenotipos). Además, se observa que los métodos de reducción de dimensión como el Análisis de Componentes Principales (PCA) son subóptimos, ya que descartar componentes de baja varianza puede reducir severamente el poder para detectar variantes pleiotrópicas.

Metodología: RmvLMM
Los autores proponen el Modelo Lineal Mixto Multivariante Rotado (RmvLMM), un marco estadístico diseñado específicamente para escenarios "duales de gran escala" (gran $n$ y gran $d$). La metodología integra cuatro innovaciones técnicas clave:

1. Transformación de Rotación Ortogonal:
   En lugar de analizar rasgos correlacionados directamente, RmvLMM emplea una serie de tres descomposiciones en autovalores secuenciales para realizar una rotación ortogonal. Esta transformación descorrelaciona los múltiples fenotipos, convirtiendo el modelo lineal mixto multivariante (mvLMM) en $d$ modelos de regresión univariante independientes. Este paso resalta las señales genéticas significativas mientras trata las señales no significativas como ruido, mejorando así el poder de asociación.

2. Algoritmo Iterativo MoM-REML:
   Para estimar las matrices de covarianza poligénica ($V_b$) y de error ($V_e$), los autores desarrollaron un nuevo algoritmo iterativo rápido llamado MoM-REML. Este método integra el Método de Momentos (MoM) con la Máxima Verosimilitud Restringida (REML). Al derivar una expresión de forma cerrada que caracteriza la relación entre $V_b$ y $V_e$ dentro del modelo rotado, el algoritmo evita los cálculos computacionalmente costosos de inversión y determinante de la matriz de covarianza completa de $nd \times nd$. Esto reduce la dependencia de la complejidad temporal respecto a la dimensión fenotípica de $O(d^6)$ (en GEMMA) a $O(d^2)$, con una complejidad general de $O(nd^2)$.

3. Estadísticos TOP2 y TOP2-O:
   Para las pruebas de asociación, RmvLMM realiza pruebas F en los modelos univariantes rotados. Introduce un nuevo estadístico de combinación de valores p, TOP2, que agrega los dos valores p más pequeños de los $d$ tests univariantes utilizando el método de combinación de Fisher. La distribución exacta de TOP2 se deriva analíticamente. Para muestras a escala de biobanco donde la descomposición completa en autovalores de la matriz de parentesco $K$ es inviable, el método se extiende a TOP2-O, un estadístico ómnibus. TOP2-O agrega la evidencia a través de múltiples grupos de muestra disjuntos mediante una estrategia de "división y combinación". Su distribución nula se calibra empíricamente y se ajusta utilizando una distribución gamma generalizada, evitando el modelado explícito de las correlaciones entre grupos.

4. Estrategia de División y Combinación:
   Para manejar tamaños de muestra a escala de biobanco, el conjunto de datos se particiona en grupos disjuntos. La evidencia de asociación se evalúa dentro de cada grupo y se combina en un único test ómnibus. Este enfoque evita la necesidad de construir o descomponer la matriz de parentesco completa $K$, permitiendo un escalamiento casi lineal con el tamaño de la muestra.

Resultados Clave

• Eficiencia Computacional: En simulaciones con $n=5,000$ y $d=20$, RmvLMM fue más de 50 veces más rápido que GEMMA para un escaneo de genoma completo (completándolo en <2% del tiempo). Para la estimación de parámetros, RmvLMM logró una aceleración de ~150 veces. A diferencia de GEMMA, que no logra escalar a $n > 50,000$, RmvLMM demostró un escalamiento casi lineal, procesando cohortes de 300,000 individuos en aproximadamente 3.13 horas.
• Poder Estadístico: RmvLMM superó consistentemente a GEMMA en poder estadístico en todos los escenarios simulados. En un umbral de significancia estricto ($\alpha = 1 \times 10^{-7}$), RmvLMM logró un poder más de un 10% superior al de GEMMA. Por ejemplo, con $n=1,000$ y $d=10$, RmvLMM alcanzó poderes de 52.4%–73.1% frente al 40.5%–62.2% de GEMMA a través de variaciones en la frecuencia del alelo menor.
• Tasa de Falsos Positivos (FPR): Ambos métodos mantuvieron tasas de FPR bien calibradas en todos los entornos, confirmando que el aumento del poder no se produjo a costa de inflar los falsos positivos.
• Aplicación en el UK Biobank: Aplicado a 26 rasgos de bioquímica sanguínea en 323,839 individuos de ascendencia europea, RmvLMM identificó 1,325 SNPs significativos que mapean a 373 genes. De estos, 309 genes tenían soporte en la literatura previa. Notablemente, el análisis identificó 10 genes pleiotrópicos validados como dianas farmacológicas (p. ej., PCSK9, HMGCR), correspondientes a 29 fármacos desarrollados clínicamente. El enriquecimiento de vías confirmó asociaciones con el metabolismo de lípidos y la homeostasis del colesterol.

Significancia y Reivindicaciones
El artículo afirma que RmvLMM proporciona un marco poderoso y escalable que resuelve el histórico compromiso entre la eficiencia computística y el poder estadístico en los GWAS multivariantes. Al aprovechar la rotación ortogonal y una estrategia de división y combinación paralelizable, permite el análisis de muestras a escala de biobanco con fenotipos de alta dimensión, una tarea previamente considerada computacionalmente intratable.

Los autores posicionan a RmvLMM como una herramienta para facilitar la disección de la arquitectura genética compartida de rasgos complejos y la identificación de variantes pleiotrópicas. Señalan que el método es particularmente efectivo para detectar SNPs asociados con al menos un fenotipo en un conjunto, aunque reconocen una limitación: no identifica inherentemente qué fenotipo específico impulsa la asociación, recomendando un seguimiento de dos etapas (cribado seguido de PheWAS) para una delineación precisa. El método está actualmente limitado a rasgos continuos y aún no soporta fenotipos binarios u ordinales. El software se publica como código abierto para apoyar el descubrimiento genético adicional a gran escala.