Résumé technique : Régression parcimonieuse guidée par l'univarié pour les données omiques de haute dimension à l'échelle des biobanques

Énoncé du problème

L'article traite du défi que représente l'exécution d'une régression parcimonieuse sur des données génomiques à ultra-haute dimension, plus précisément dans le contexte de la construction de scores de risque polygénique (PRS) utilisant des ensembles de données à l'échelle des biobanques comme la UK Biobank. Dans ces contextes, le nombre de prédicteurs (SNPs, $p$) dépasse largement le nombre d'observations ($n$), avec souvent $p > 1\,000\,000$ et $n \approx 500\,000$.

Les approches de régression standard sont confrontées à trois difficultés fondamentales dans ce domaine :

1. Infaisabilité computationnelle : Ajuster des modèles multivariés sur des millions de SNPs pour des centaines de milliers d'individus est extrêmement coûteux en termes de calcul, particulièrement lors de l'utilisation de la validation croisée pour l'ajustement des hyperparamètres.
2. Prédicteurs corrélés (Déséquilibre de liaison) : Les SNPs existent dans des blocs de forte corrélation. Les méthodes multivariées standard peinent souvent à décider s'il faut sélectionner un ensemble parcimonieux de représentants ou distribuer (« étaler ») les effets sur de nombreuses variables corrélées, ce qui conduit à des modèles denses et difficiles à interpréter.
3. Confidentialité des données et intégration : Dans la recherche biomédicale, les données individuelles brutes sont souvent restreintes en raison des réglementations sur la vie privée. Les chercheurs dépendent fréquemment de statistiques de synthèse provenant de cohortes externes (par exemple, FinnGen) plutôt que de jeux de données complets, ce qui rend difficile l'intégration de ces informations externes dans un modèle multivarié parcimonieux unifié.

Historiquement, la construction du PRS repose sur un pipeline en deux étapes : une étude d'association pangénomique (GWAS) univariée suivie d'une méthode de réduction ou de sélection a posteriori (par exemple, le clumping and thresholding, LDpred, PRS-CS). Les auteurs soutiennent que cette approche est sous-optimale car la première étape traite les SNPs de manière isolée, soulevant des voisinages entiers de SNPs corrélés, tandis que la seconde étape tente de corriger ce double comptage, ce qui aboutit souvent à des prédicteurs denses aux tailles d'effets atténuées.

Méthodologie : Omni-adapted uniLasso

Les auteurs proposent une adaptation scalable de la régression parcimonieuse guidée par l'univarié (uniLasso), introduite initialement par Chatterjee et al. [2025], adaptée aux données à l'échelle des biobanques. La méthode est une procédure de régression pénalisée en deux étapes qui exploite les coefficients univariés pour guider la sélection multivariée.

L'algorithme

1. Étape 1 : Pré-calcul univarié :
   Pour chaque SNP $j$, l'algorithme calcule les intercepts ($\hat{\beta}_{0j}$) et les pentes ($\hat{\beta}_j$) univariés. De manière cruciale, il calcule les valeurs ajustées en « Leave-One-Out » (LOO) ($\hat{y}^{-i}_{ij}$) pour créer une matrice de caractéristiques $F$. L'utilisation des valeurs LOO plutôt que des estimations brutes force l'étape de sélection ultérieure à se reposer sur des signaux prédictifs hors échantillon plutôt que sur le bruit intra-échantillon.

   • Optimisation : Pour gérer l'échelle, les auteurs ont vectorisé ces calculs et les ont parallélisés sur des cœurs CPU en utilisant le package Python Adelie.

2. Étape 2 : Régression parcimonieuse guidée :
   Un Lasso non négatif est ajusté en utilisant les prédictions LOO dans $F$ comme caractéristiques pour prédire la réponse $y$.

   • Contrainte de signe : Les coefficients $\theta_j$ de cette étape sont contraints d'être non négatifs. Le coefficient multivarié final est récupéré via $\hat{\gamma}_j = \hat{\beta}_j \hat{\theta}_j$. Cela garantit que le signe du coefficient final correspond au signe du coefficient univarié (ou est nul), évitant ainsi les inversions de signe qui compliquent l'interprétation.
   • Gestion des réponses binaires : Pour les résultats binaires, la méthode utilise la régression logistique pénalisée. Comme les solutions LOO en forme close n'existent pas pour la perte logistique, les auteurs emploient les moindres carrés pondérés itératifs (IRLS) avec une approximation des prédictions LOO proposée par Rad et Maleki [2020].

Modifications de scalabilité et de stabilité

Pour rendre uniLasso réalisable pour la UK Biobank, les auteurs ont introduit plusieurs modifications critiques, tant en ingénierie qu'en statistique :

• Division des données : Au lieu d'une validation croisée $k$-fold (trop coûteuse pour $p \gg n$), ils ont utilisé une division 70/10/20 entraînement/validation/test pour ajuster le paramètre de régularisation $\lambda$.
• Filtrage par MAF : Les SNPs avec une fréquence de l'allèle mineur (MAF) < 0,0005 ont été exclus pour éliminer les variants rares qui contribuent peu au pouvoir prédictif et causent de l'instabilité.
• Stabilisation de la variance : Pour les SNPs à faible variance (mais MAF $\ge$ 0,0005), le dénominateur dans le calcul de la pente univariée ($S_{xx}$) a été régularisé en ajoutant le cinquième percentile de la distribution empirique des valeurs de $S_{xx}$. Cela empêche l'explosion des coefficients dans les colonnes quasi-constantes.
• Intégration de scores externes (uniLasso ES) : Pour incorporer des données externes (ex: FinnGen) sans accès aux données brutes, les auteurs ont adapté le terme de pénalité. Ils utilisent les coefficients univariés externes ($\tilde{\beta}_j$) pour définir des poids adaptatifs ($|\tilde{\beta}_j|$) et des contraintes de signe dans la pénalité $\ell_1$ de la régression de la seconde étape, plutôt que de calculer les estimations LOO à partir des données d'entraînement.

Contributions clés

1. Implémentation scalable de uniLasso : L'article présente la première adaptation de uniLasso capable de gérer des données à l'échelle des biobanques ($p \approx 10^6, n \approx 5 \times 10^5$) en utilisant des données au niveau individuel, surmontant ainsi les barrières de mémoire et de temps de la formulation originale.
2. Intégration de données externes : Un nouveau cadre pour intégrer des statistiques de synthèse externes dans un modèle multivarique parcimonieux, évitant le partage de données brutes tout en améliorant la précision prédictive.
3. Extension aux réponses binaires : Une extension de l'algorithme aux phénotypes binaires utilisant la régression logistique et des approximations par IRLS pour les ajustements LOO.
4. Validation empirique sur la UK Biobank : Une évaluation complète sur quatre phénotypes (Taille, IMC, CHD, Asthme) comparant la méthode au Lasso standard, à PRS-CS et à d'autres références.

Résultats

Les auteurs ont évalué leurs méthodes sur la UK Biobank (restreinte aux individus blancs britanniques) pour des traits continus (Taille, IMC) et binaires (CHD, Asthme).

• Parcimonie vs Performance :
  • uniLasso a atteint une performance prédictive comparable au Lasso standard (ex., $R^2$ pour la Taille : 0,707 vs 0,713) mais a sélectionné nettement moins de variants.
  • Plus précisément, uniLasso a sélectionné 38 % de SNPs en moins pour la Taille et 43 % de moins pour l'IMC par rapport au Lasso, avec des baisses de $R^2$ négligeables (0,006 et 0,016, respectivement).
  • Pour les traits binaires comme la CHD, uniLasso était plus de 50 % plus parcimonieux que le Lasso avec une augmentation de l'erreur de test de seulement 0,001.
• Interprétabilité :
  • Une découverte clé est l'élimination des changements de signe. Dans le Lasso standard, les coefficients changent souvent de signe par rapport à leurs effets univariés dus à la corrélation (ex., 12 % des coefficients de la Taille ont changé de signe) ; uniLasso, par construction, garantit que tous les coefficients non nuls conservent le signe de leur effet univarié, ce qui améliore considérablement l'interprétabilité.
• Scores externes (uniLasso ES) :
  • L'intégration de scores externes de FinnGen (uniLasso ES) a produit la meilleure performance prédictive pour les quatre phénotypes.
  • Pour la Taille, uniLasso ES a atteint un $R^2$ de 0,716 (contre 0,713 pour le Lasso).
  • Malgré l'utilisation de données externes, les modèles sont restés nettement plus parcimonieux que le Lasso et PRS-CS.
• Comparaison avec PRS-CS :
  • PRS-CS, une méthode bayésienne dense, a sous-performé tous les modèles basés sur le Lasso sur les traits continus et ne les a égalés que pour la CHD. PRS-CS produisait des modèles denses (utilisant tous les SNPs), tandis que uniLasso ES maintenait une haute parcimonie.

Signification et affirmations

L'article affirme que uniLasso offre un meilleur compromis entre précision prédictive, parcimonie et interprétabilité pour les données génomiques à l'échelle des biobanques.

• Remise en question de la vision « infinitésimale » : Les résultats fournissent un contrepoint empirique aux modèles strictement « pangenomiques » ou infinitésimaux (comme PRS-CS ou LDpred-inf) qui supposent que chaque variant a un effet non nul. Les auteurs soutiennent que pour la prédiction pratique, une vision « polygénique parcimonieuse » — où quelques dizaines de milliers de variants capturent l'essentiel du signal — est suffisante et plus robuste.
• Clarté mécaniste : En concentrant les poids sur (ou près de) de véritables variants causaux plutôt que de les répartir sur des blocs de LD corrélés, uniLasso réduit la contribution de « bruit » des SNPs marqueurs non causaux, améliorant potentiellement la robustesse des estimations de risque individuelles.
• Utilité pratique : La méthode démontre qu'il est possible d'ajuster des modèles multivariés directement sur des données de biobanques au niveau individuel, dépassant les limites du pipeline traditionnel en deux étapes GWAS-puis-PRS. L'intégration de statistiques de synthèse externes renforce encore cette utilité dans des environnements où la confidentialité est une contrainte.

Les auteurs concluent que si les modèles denses ont de la valeur lorsqu'on ne dispose que de statistiques de synthèse, l'approche multivariée parcimonieuse de uniLasso est hautement efficace pour les contextes où l'interprétabilité et l'efficacité computationnelle sont primordiales.