Résumé Technique : Analyse de Médiation Semi-paramétrique avec Médiateur et Résultat Observés Séparément sous l'Effet d'une Confusion Non Mesurée

1. Énoncé du Problème

L'analyse de médiation est un outil standard pour décomposer l'effet causal total d'une exposition $D$ sur un résultat $Y$ en effets directs naturels (NDE) et effets indirects naturels (NIE) opérant via un médiateur $M$. Cependant, une limitation pratique critique survient lorsque $M$ et $Y$ ne sont jamais observés conjointement dans un même ensemble de données. Ce scénario est courant dans la génomique intégrative (par exemple, combiner des études d'eQTL pour l'expression génique avec des GWAS pour le statut de la maladie) et la santé publique (par exemple, fusionner de grandes cohortes d'exposition avec des bases de données cliniques contenant des phénotypes intermédiaires granulaires).

Dans de tels contextes, la stratégie d'identification standard pour le NDE et le NIE échoue car elle repose sur la distribution jointe non observée de $(M, Y)$. De plus, ce problème est exacerbé par la présence d'une confusion non mesurée entre le médiateur et le résultat ($M$-$Y$ confounding), ce qui constitue un obstacle majeur même dans les contextes de données complètes. Les méthodes existantes de fusion de données supposent généralement qu'un certain chevauchement existe là où les deux variables sont observées, ou elles reposent sur des hypothèses paramétriques qui peuvent ne pas être vérifiées. Cet article traite le défi de l'identification des effets de médiation causale lorsque :

1. Les sources de données sont hétérogènes : une source contient $(D, Y)$ et une autre contient $(D, M)$, sans observation conjointe de $(M, Y)$.
2. Des variables de confusion non mesurées $U$ existent entre $M$ et $Y$.

2. Méthodologie et Stratégie d'Identification

2.1 Configuration et Hypothèses

Les auteurs considèrent un modèle causal structurel (SCM) avec des variables exogènes $D = (T, Z, A)$, où $T$ est l'exposition cible, $Z$ représente les variables instrumentales (IV) sans effet direct sur $Y$, et $A$ sont des variables auxiliaires ayant des effets directs sur $Y$. Les données proviennent de deux sources ($S=0$ et $S=1$) :

• $S=0$ : observe $(Y, D, X)$.
• $S=1$ : observe $(M, D, X)$.

L'identification repose sur les hypothèses clés suivantes :

• Exposition non confondue : $D \perp\!\!\!\perp (\epsilon_Y, \epsilon_M, U) \mid X, S$.
• Médiateur latent non confondu : $\epsilon_Y \perp\!\!\!\perp \epsilon_M \mid X, U, S$.
• Absence d'interaction $M$-$U$ : L'effet de $M$ sur $Y$ ne dépend pas de la variable de confusion non mesurée $U$ (une condition de "non-interaction").
• Alignement inter-sources : Conditionnellement à $D$ et $X$, les distributions de $U, M,$ et $Y$ sont échangeables entre les sources ($S \perp\!\!\!\perp (U, M, Y) \mid D, X$). Cela permet des décalages de covariables et d'exposition entre les sources.
• Conditions de Complétude :
  • $M-Z$ Complétude : La variabilité de $M$ est capturée par la variabilité de $Z$.
  • $Z-M$ Complétude (pour l'efficacité) :* La variabilité de $Z$ est capturée par la variabilité de $M$.

2.2 Identification via les Fonctions Ponts (Bridge Functions)

L'innovation centrale est l'utilisation de fonctions ponts ($w$) pour aligner la distribution observée du médiateur dans une source avec la distribution contrefactuelle du médiateur requise pour l'autre. Sous la condition de complétude, les auteurs prouvent l'existence de fonctions $w_{tt'}^s$ qui satisfont une équation intégrale (Équation 2 dans l'article). Ces fonctions repondèrent les strates du médiateur observées pour correspondre aux strates contrefactuelles, contournant ainsi efficacement le besoin d'observer $(M, Y)$ conjointement.

Les effets directs naturels et indirects sont identifiés comme des fonctionnelles des distributions de données observées en utilisant ces fonctions ponts :
$$\psi^{NDE}_s = \psi^{10}_s - \psi^{00}_s, \quad \psi^{NIE}_s = \psi^{11}_s - \psi^{10}_s$$
où les termes $\psi^{tt'}_s$ impliquent les espérances de $Y$ et des fonctions ponts $w$.

2.3 Gestion des IV Inconnues

Lorsque l'ensemble des IV valides $Z$ est inconnu mais qu'un ensemble candidat $C$ est disponible, les auteurs proposent une stratégie d'identification basée sur la parcimonie (sparsity). Ils supposent que plus de la moitié des IV candidates sont valides (Hypothèse 6). En résolvant un problème de régression parcimonieuse pour trouver une fonction $r^*(M, D, X)$ qui lie le résultat conditionnel dans la source 0 au médiateur conditionnel dans la source 1, les IV valides sont identifiées comme les composantes de $D$ dont $r^*$ ne dépend pas.

2.4 Estimation

Les auteurs développent des estimateurs à une étape basés sur la fonction d'influence et semi-paramétriques.

• Robustesse Multiple : Les estimateurs sont cohérents si au moins une combinaison de plusieurs paramètres de nuisance (par exemple, les fonctions ponts $w$, la régression du résultat $\nu$, ou le score de propension $\lambda$) est correctement spécifiée. Plus précisément, la cohérence est maintenue si soit le modèle de résultat est correct, soit le modèle de fonction pont est correct, soit des combinaisons spécifiques des deux sont correctes.
• Efficacité : Sous complétude mutuelle (où $Z$ est complet dans $M$ et vice versa), les estimateurs proposés atteignent la borne d'efficacité semi-paramétrique. Les auteurs dérivent les gradients canoniques (fonctions d'influence) pour les effets.
• Régularisation : Puisque la résolution des fonctions ponts implique des problèmes inverses mal posés (équations intégrales de Fredholm), les auteurs suggèrent des stratégies de régularisation (par exemple, la régularisation de Tikhonov ou des pénalités basées sur la variance) pour stabiliser l'estimation.

3. Résultats Clés

3.1 Contributions Théoriques

• Identification : L'article établit que le NDE et le NIE sont identifiables sous confusion non mesurée et observation séparée de $M$ et $Y$, à condition que des IV valides et une condition de non-interaction existent.
• Bornes d'Efficacité : Les auteurs dérivent les bornes d'efficacité semi-paramétrique et montrent que leurs estimateurs atteignent ces bornes sous complétude mutuelle.
• Connexion avec la Littérature : Le cadre généralise les problèmes d'instrumental variable (IV) à deux échantillons, montant que les effets de traitement moyens dans les contextes à deux échantillons sont des cas particuliers de leur cadre de médiation.

3.2 Études de Simulation

• Performance : Dans des simulations avec des instruments simples et multiples, les estimateurs proposés ont présenté un biais négligeable à travers divers scénarios de mauvaise spécification de modèle, confirmant la propriété de robustesse multiple.
• Efficacité : Dans des contextes avec plusieurs instruments où seul le médiateur est complet par rapport à l'ensemble d'instruments (contexte non-complet), la méthode proposée utilisant l'agrégation adaptative des instruments a montré des gains d'efficacité substantiels (erreurs standards plus petites) par rapport à l'utilisation d'un seul IV.
• Sélection d'IV : L'algorithme proposé pour sélectionner les IV valides à partir d'un ensemble candidat a fonctionné avec une grande précision (identification correcte proche de 100 %) à mesure que la taille de l'échantillon augmentait, même en présence d'IV invalides.
• Inférence : Les intervalles de confiance basés sur le bootstrap se sont révélés plus stables et plus fiables que les intervalles basés sur la fonction d'influence, particulièrement sous mauvaise spécification de modèle.

3.3 Application de Données

Le cadre a été appliqué à l'Alzheimer's Disease Neuroimaging Initiative (ADNI) pour quantifier la médiation du SNP rs610932 sur le risque de démence à travers l'expression génique de PTK2B et CD33.

• Fusion de Données : L'étude a combiné les cohortes ADNI-1 (résultats et SNPs, pas d'expression génique) et ADNI-GO/2 (SNPs et expression génique, pas de résultats à long terme).
• Résultats : L'effet indirect naturel (NIE) estimé à travers PTK2B était négatif et substantiel par rapport à l'effet total, suggérant un mécanisme protecteur. Le NIE à travers CD33 était proche de zéro.
• Interprétation : Les auteurs notent que bien que les intervalles de confiance soient larges et traversent zéro, les résultats suggèrent un mécanisme biologique où l'allèle mineur de rs610932 opère via une expression altérée de PTK2B et des voies immunitaires microgliales en aval.

4. Signification et Revendications

L'article affirme introduire un nouveau cadre de fusion de données qui restaure l'identification des effets de médiation causale dans des contextes où le médiateur et le résultat ne sont jamais observés conjointement et où une confusion non mesurée est présente.

• Surmonter les Limitations des Données : Il répond à un problème omniprésent dans la génomique intégrative moderne et la science des données de santé où les silos de données empêchent l'observation conjointe de variables clés.
• Robustesse à la Confusion Non Mesurée : Contraênment à l'analyse de médiation standard qui nécessite des hypothèses fortes sur les facteurs de confusion non mesurés, cette méthode exploite les IV et une condition de non-interaction pour identifier les effets même quand $U \neq \emptyset$.
• Flexibilité : La méthode accepte les décalages de covariables et d'exposition entre les sources de données et gère les cas où l'ensemble des IV valides est inconnu.
• Efficacité : En utilisant la théorie de l'efficacité semi-paramétrique, les estimateurs proposés sont montrés comme efficaces sous des conditions appropriées, fournissant une base statistique rigoureuse pour l'inférence dans ces contextes complexes.

Les auteurs positionnent ce travail comme une avancée nécessaire pour "démêler les voies causales" dans les études du monde réel où la complétude des données est inatteignable, passant de la question "est-ce que cela fonctionne" à "par quelles voies cela fonctionne", même dans des environnements de données fragmentés.