Empirical Bayes Shrinkage of Functional Effects, with Application to Analysis of Dynamic eQTLs

Résumé technique : Shrinkage de Bayes empirique des effets fonctionnels (FASH)

Énoncé du problème
La génomique moderne, particulièrement les études d'eQTL dynamiques (expression quantitative de traits), génère des ensembles de données massifs où l'effet d'un variant génétique sur l'expression des gènes est mesuré à travers une variable de condition continue (par exemple, le temps, les niveaux d'oxygène). Ces études produisent des estimations d'effets bruitées pour des milliers à des millions d'unités génomiques (paires gène-variant) à plusieurs points temporels. Les principaux défis sont :

1. Estimation : Récupérer avec précision la « fonction d'effet » sous-jacente (comment l'effet change au cours de la condition) à partir de données bruitées.
2. Tests d'hypothèses : Identifier quelles unités dévient d'un comportement nul ou de référence (par exemple, aucun changement au cours du temps, ou un changement linéaire) sans faire d'hypothèses paramétriques restrictives sur la forme de l'effet.
3. Calibration : Garantir que les inférences de Bayes empirique (EB) restent calibrées et conservatrices, même lorsque la distribution a priori sous l'hypothèse alternative est mal spécifiée — un problème courant dans les données fonctionnelles de haute dimension.

Méthodologie : Shrinkage adaptatif fonctionnel (FASH)
Les auteurs introduisent FASH, un cadre de Bayes empirique conçu pour l'analyse conjointe d'unités d'observation où chaque unité estime une fonction d'effet.

• Cadre statistique :

  • Modèle de données : Pour chaque unité $j$, les estimations d'effets observées $\hat{\beta}_j(t)$ à des points temporels discrets sont modélisées comme étant normalement distribuées autour de la fonction réelle sous-jacente $\beta_j(t)$ avec des erreurs standards connues.
  • Spécification du prior (famille L-GP) : La méthode utilise une famille de processus gaussiens (GP) définis par des opérateurs différentiels linéaires, nommée la famille L-GP. Un modèle de base $S_0$ est défini par un opérateur différentiel linéaire $L$ (par exemple, $L=D_1$ pour les fonctions constantes, $L=D_2$ pour les fonctions linéaires). Le prior suppose que $\beta \sim \text{L-GP}(\sigma)$, où $\sigma$ quantifie l'écart par rapport à l'espace de référence $S_0$.
  • Priors de mélange adaptatifs : Pour permettre un shrinkage piloté par les données, FASH emploie un mélange de priors L-GP : $g_\beta = \sum \pi_k \text{L-GP}(\sigma_k)$. Les poids de mélange $\pi_k$ sont appris via l'estimation du maximum de vraisemblance à travers toutes les unités, permettant ainsi de mutualiser l'information pour adapter l'intensité du shrinkage pour chaque unité en fonction de l'adéquation de ses données avec le modèle de référence.
  • Inférence a posteriori : En raison de la conjugaison, la distribution a posteriori pour chaque unité est également un mélange de GP. Cela permet le calcul des moyennes a posteriori (fonctions d'effet lissées) et des intervalles de crédibilité.

• Tests d'hypothèses :

  • FASH calcule les taux de fausses découvertes locaux (lfdr) et les taux de faux signes locaux (lfsr).
  • Tester $H_0: \beta_j \in S_0$ revient à estimer la probabilité a posteriori que l'unité appartienne à la composante nulle du mélange ($k=0$).
  • Le cadre prend en charge le test de fonctionnelles arbitraires $F(\beta_j)$ (par exemple, « l'effet change-t-il de signe ? » ou « l'effet est-il le plus fort durant la période médiane ? »), et pas seulement des déviations simples par rapport à une ligne de base.

• Ajustement du prior pour la conservation :

  • Reconnaissant que la mauvaise spécification du prior alternatif peut conduire à des inférences anti-conservatrices (taux de fausses découvertes gonflés), les auteurs proposent un ajustement basé sur le facteur de Bayes (BF).
  • En exploitant la propriété selon laquelle l'espérance du facteur de Bayes sous l'hypothèse nulle est 1, l'algorithme ajuste la proportion nulle estimée $\hat{\pi}_0$ pour garantir qu'elle soit conservatrice (c'est-à-dire $\hat{\pi}_0 \geq \pi_0$). Cela garantit que les inférences résultantes sont conservatrices même si la famille du prior alternatif est mal spécifiée, à condition que le modèle nul soit correctement spécifié.

Résultats clés : Application aux eQTL dynamiques
Les auteurs ont appliqué FASH pour réanalyser un ensemble de données d'eQTL dynamiques de Strober et al. (2019), impliquant 19 lignées cellulaires subissant une différenciation de cardiomyocytes sur 16 jours (environ 1 million de paires gène-variant).

• Puissance de découverte : En utilisant un modèle de base constant ($L=D_1$), FASH a identifié 9 205 eQTL dynamiques (1 177 gènes) à un FDR de 0,05. Il s'agit d'une augmentation substantielle par rapport à l'étude originale qui utilisait des modèles d'interaction paramétriques (linéaires et quadratiques) qui avaient identifié respectivement 5 404 et 6 824 paires.
• Flexibilité : FASH a réussi à capturer divers motifs temporels que les modèles paramétriques ont manqués, incluant des changements brusques de l'intensité de l'effet et des trajectoires non monotones.
• Caractérisation : En utilisant un modèle de base linéaire ($L=D_2$), FASH a identifié 44 eQTL dynamiques non linéaires (9 gènes).
• Nouvelles perspectives biologiques : Les auteurs ont catégorisé les eQTL dynamiques en motifs temporels (précoce, médian, tardif, et « switch » où la direction de l'effet change). L'analyse d'enrichissement de ensembles de gènes a révélé que les eQTL dynamiques de type « switch » étaient significativement enrichis en gènes régulés à la hausse par l'hypoxie et l'activation de K-Ras, des voies connues pour influencer la prolifération et la différenciation des cellules souches.
• Logiciel : La méthode est implémentée dans le package R fashr, qui opère sur des statistiques de résumé, ce qui la rend applicable même lorsque les données individuelles ne sont pas disponibles.

Signification et revendications
L'article affirme que FASH offre un cadre statistique flexible et rigoureux pour l'analyse conjointe de données fonctionnelles qui s'étend au-delà de la génomique. Ses principales contributions sont :

1. Lissage adaptatif : Il permet un lissage adaptatif et un emprunt d'information entre les unités sans nécessiter de formes paramétriques pré-spécifiées pour les fonctions d'effet.
2. Tests d'hypothèses robustes : Il fournit un cadre unifié pour tester des hypothèses complexes sur les formes fonctionnelles (ex: non-linéarité, changement de signe) avec des taux d'erreur calibrés.
3. Inférence conservatrice : L'ajustement basé sur le BF proposé traite une limitation connue des méthodes de Bayes empirique concernant la mauvaise spécification du prior, garantissant une inférence conservatrice dans les contextes de haute dimension.
4. Utilité pratique : En opérant sur des statistiques de résumé et en fournissant un package R accessible, FASH facilite la réanalyse d'études existantes d'eQTL dynamiques et l'analyse de nouveaux jeux de données où les données individuelles peuvent être restreintes.

Les auteurs notent que bien que FASH soit démontré sur les eQTL dynamiques, la méthodologie est générale et applicable à d'autres contextes de données fonctionnelles, y compris les données spatiales ou les trajectoires de séquençage d'ARN unicellulaire (single-cell RNA sequencing).