Accounting for place: confounding via geography obscures polygenic evidence on mental health and environmental exposures in the UK Biobank

Cette étude démontre que la prise en compte explicite du contexte géographique local à l'aide de modèles multiniveaux est cruciale dans les analyses de la UK Biobank, car elle révèle que les modèles à niveau unique traditionnels, ajustés uniquement pour les composantes principales génétiques, peuvent produire des associations biaisées entre les scores polygéniques de santé mentale et les expositions environnementales telles que les espaces verts en raison d'un biais de confusion géographique non résolu.

L'essentiel

La vue d'ensemble : L'« effet de quartier » sur la santé mentale

Imaginez que vous essayez de déterminer si un type spécifique de graine (le patrimoine génétique d'une personne en matière de santé mentale) pousse mieux dans un jardin (un quartier verdoyant et arboré) ou sur un parking en béton (une zone urbaine densément bâtie).

Pendant longtemps, les scientifiques ont étudié cela en plantant des graines dans différents jardins et en comptant le nombre de fleurs qui poussaient. Ils ont remarqué une tendance : les personnes présentant certains risques génétiques de dépression ou de schizophrénie semblent souvent vivre dans des zones moins verdoyantes, tandis que celles ayant un meilleur bien-être génétique semblent vivre dans des endroits plus verts.

Mais cet article soutient que les scientifiques ont regardé la mauvaise chose. Ils blâmaient la graine pour le sol, alors qu'en réalité, c'est le sol (le quartier) qui influençait l'endroit où les graines se sont retrouvées au départ.

Le problème : « La confusion par la géographie »

Les auteurs appellent ce problème la « confusion par la géographie ». Voici une façon simple de l'imaginer :

Imaginez que vous êtes un détective essayant de résoudre une énigme. Vous remarquez que les personnes vivant à Londres ont tendance à avoir un profil génétique différent de celles vivant dans les Cotswolds (une zone rurale).

• L'erreur : Si vous comparez simplement les Londoniens et les habitants des Cotswolds sans réfléchir à pourquoi ils sont différents, vous pourriez penser : « Oh, vivre à Londres cause cette différence génétique. »
• La réalité : Ce n'est pas la ville qui a modifié leurs gènes. C'est que des personnes ayant certains antécédents, revenus et histoires de vie (qui sont regroupés dans les villes par rapport aux campagnes) s'y sont installées. La ville n'a pas causé la génétique ; l'histoire et l'économie du lieu ont causé à la fois le type de personnes qui y vivent et le type d'environnement dans lequel elles vivent.

L'article indique que les études précédentes ont souvent oublié de prendre en compte ce « piège géographique ». Elles traitaient chaque personne comme un point de données indépendant, comme des lancers de dés individuels, alors qu'en réalité, les personnes d'un même quartier sont plus similaires entre elles qu'aux personnes de la ville voisine.

L'expérience : La « lentille magique » (modèles multiniveaux)

Pour corriger cela, les chercheurs ont utilisé un outil statistique spécial appelé modèle de Mundlak. Imaginez cela comme une lentille magique qui leur permet d'examiner les données de deux manières différentes simultanément :

1. La vue « au sein du quartier » : Cela examine les personnes à l'intérieur du même quartier. Cela pose la question : « Si deux personnes vivent dans la même rue, et que l'une a un risque génétique élevé de dépression, vit-elle dans une maison moins verte que son voisin ? »
2. La vue « entre les quartiers » : Cela examine les différences entre les quartiers. Cela pose la question : « Les quartiers ayant une moyenne élevée de gènes liés à la dépression ont-ils généralement moins d'espaces verts ? »

En séparant ces deux points de vue, les chercheurs ont pu déterminer si l'effet de « l'espace vert » était réel pour l'individu, ou s'il s'agissait simplement d'une illusion causée par le fait que certains types de quartiers attirent certains types de personnes.

Ce qu'ils ont découvert : Le retournement de situation

Lorsqu'ils ont examiné les données sans la « lentille magique » (l'ancienne méthode), ils ont trouvé ce que tout le monde attendait :

• Les personnes ayant des gènes de dépression semblaient vivre dans des zones moins verdoyantes.
• Les personnes ayant des gènes de schizophrénie semblaient vivre dans des zones moins verdoyantes.

Mais lorsqu'ils ont utilisé la « lentille magique » (la nouvelle méthode), l'histoire a complètement changé :

1. Le « bruit » a disparu : Lorsqu'ils ont examiné strictement les personnes au sein du même quartier, le lien entre les mauvais gènes et les mauvais quartiers a largement disparu.
2. Le signe s'est inversé : Pour la schizophrénie, les résultats se sont même inversés ! En regardant strictement au sein des quartiers, les personnes ayant un risque génétique plus élevé de schizophrénie semblaient en fait vivre dans des endroits plus verts que leurs voisins.
3. L'effet « entre » est le coupable : La raison pour laquelle les anciennes études voyaient un lien était l'effet entre les quartiers. Les zones plus riches et plus vertes ont tendance à avoir des populations différentes de celles des zones urbaines plus pauvres. Les anciennes études blâmaient accidentellement les gènes de l'individu pour la pauvreté ou la richesse du quartier.

La carte des « résidus » : Là où le modèle a échoué

Les chercheurs ont également examiné les erreurs « restantes » de leur modèle (les résidus). Ils ont constaté que le modèle peinait le plus dans des endroits extrêmes :

• Le Peak District et les parcs nationaux : Ces zones très rurales et verdoyantes présentaient d'énormes « erreurs » dans le modèle.
• Le centre de Londres : Ces zones très urbaines présentaient également d'énormes erreurs.

Cela suggère que l'on ne peut pas simplement comparer une personne vivant dans un parc national à une personne vivant à Londres et supposer qu'elles sont « interchangeables » (comparables). Les différences entre ces lieux sont si massives (en termes d'histoire, d'économie et de culture) qu'une simple comparaison génétique ne fonctionne pas à moins de prendre en compte le fossé immense entre ces deux mondes.

La conclusion principale

L'article conclut que la géographie est un puissant facteur de confusion.

Si vous êtes généticien étudiant la santé mentale, vous ne pouvez pas simplement regarder l'ADN d'une personne et son adresse et supposer que l'adresse est le résultat de son ADN. Vous devez réaliser que l'endroit où les gens vivent est souvent déterminé par des facteurs qui façonnent également la distribution de leur ADN (comme les schémas de migration, l'histoire économique et les politiques locales).

La solution :
Les auteurs suggèrent que les scientifiques devraient systématiquement utiliser cette « lentille magique » (modélisation multiniveaux) pour séparer les effets « au sein du quartier » des effets « entre les quartiers ». Si les résultats changent radicalement lorsque vous faites cela, cela signifie que la découverte originale n'était probablement qu'un tour de passe-passe géographique, et non une véritable cause biologique.

En bref : Ne blâmez pas la graine pour le sol. Parfois, le sol se trouve simplement être l'endroit où certaines graines ont fini par atterrir, et nous avons besoin de meilleurs outils pour faire la différence.

Résumé technique

Résumé technique : Prise en compte du lieu : Confusion par la géographie en épidémiologie génétique

Énoncé du problème
Cette étude aborde la question de la « confusion par la géographie » dans la recherche en épidémiologie génétique, spécifiquement dans le contexte de la UK Biobank. Alors que les analyses traditionnelles des indices polygéniques (PGI) pour les traits de santé mentale ajustent généralement les composantes principales (CP) génétiques pour contrôler la stratification de la population, elles échouent souvent à prendre en compte le contexte géographique local. Les auteurs soutiennent que, puisque les résultats en santé mentale et les expositions environnementales (telles que les espaces verts) présentent un fort patronage géographique, des causes communes peuvent se regrouper selon le lieu. Ignorer cette structure peut induire un biais, conduisant à des associations fallacieuses entre des traits prédits génétiquement et des expositions environnementales. L'article postule que traiter les individus comme des observations indépendantes dans des ensembles de données structurés géographiquement risque d'attribuer erronément la variance expliquée par des facteurs de confusion structurés géographiquement (par exemple, politiques locales, différences démographiques) à des expositions génétiques au niveau individuel.

Méthodologie
Les auteurs ont utilisé des données de la UK Biobank (N allant de 209 391 à 293 851 selon le résultat) pour étudier la relation entre des traits de santé mentale prédits génétiquement et deux mesures d'espaces verts résidentiels :

1. Pourcentage d'espaces verts : Données dérivées de l'occupation des sols dans un rayon de 300 m.
2. Indice de végétation par différence normalisée (NDVI) : Vertitude dérivée par satellite dans un rayon de 500 m.

L'étude a construit des PGI pour trois traits : la dépression, le bien-être et la schizophrénie, en utilisant des statistiques résumées d'études d'association pangénomique (GWAS). Ces PGI ont été générés sur un spectre de seuils de valeurs p (de $p < 0,5$ jusqu'à la significativité pangénomique $p < 5 \times 10^{-8}$) pour tester la robustesse des signaux sous différents niveaux de filtrage des SNP.

Pour répondre à la confusion géographique, les auteurs ont comparé deux approches de modélisation :

1. Régression linéaire à un seul niveau : Modèles standards ajustés pour l'âge, le sexe et les 25 premières CP génétiques.
2. Modèles Mundlak multiniveaux : Ces modèles décomposent l'effet du PGI en :
   • Effets intra-zone : L'association entre le PGI d'un individu et les espaces verts, en maintenant constante la moyenne de la zone.
   • Effets contextuels (inter-zones) : L'association entre le PGI moyen d'un quartier et le résultat en matière d'espaces verts, en maintenant constantes les caractéristiques individuelles.

Cette formulation permet une modélisation explicite de la variance structurée géographiquement plutôt que de la traiter uniquement comme une nuisance. Tous les modèles ont été ajustés pour 25 CP génétiques.

Résultats clés

• Associations phénotypiques : Conformément à la littérature antérieure, les analyses phénotypiques ont montré que les individus ayant un diagnostic de dépression ou de schizophrénie, ou un bien-être plus faible, avaient tendance à résider dans des zones avec moins d'espaces verts.
• PGI et espaces verts (à un seul niveau) : Dans les modèles à un seul niveau utilisant des PGI moins strictement filtrés (seuils de valeurs p plus élevés), la dépression et la schizophrénie prédites génétiquement étaient associées à moins d'espaces verts, tandis que le bien-être était associé à plus d'espaces verts.
• Atténuation et inversion de signe : Lorsque des seuils de valeurs p plus strictes ont été appliqués aux PGI, les associations se sont atténuées de manière significative. Notamment, pour la schizophrénie, le signe de l'association a changé entièrement dans les modèles plus stricts.
• Intra-zone vs à un seul niveau : Les estimations intra-zone dérivées des modèles Mundlak pour les PGI moins filtrés correspondaient plus étroitement aux estimations obtenues à partir de PGI strictement filtrés dans les modèles à un seul niveau.
• Effets contextuels : L'étude a trouvé de forts effets contextuels négatifs, en particulier pour la schizophrénie. Cela suggère que vivre dans une zone avec un PGI moyen de schizophrénie plus élevé est associé à moins d'espaces verts, alors que, au sein d'une zone spécifique, les individus ayant un PGI de schizophrénie plus élevé peuvent en réalité être plus proches de plus d'espaces verts.
• Résidus géographiques : L'analyse des résidus du modèle a révélé que les modèles à un seul niveau naïfs sur le plan géographique fonctionnaient mal dans des environnements extrêmes, tels que les parcs nationaux (résidus élevés) et le centre de Londres (résidus faibles), indiquant que ces modèles ne parviennent pas à capturer les différences structurelles entre ces contextes géographiques distincts.

Contributions clés

1. Démonstration du biais : L'article fournit des preuves empiriques que l'ignorance du contexte géographique en épidémiologie génétique peut conduire à des estimations biaisées de la relation entre les prédispositions génétiques et les expositions environnementales.
2. Cadre méthodologique : Les auteurs préconisent l'utilisation systématique de modèles Mundlak multiniveaux pour décomposer les effets des PGI en composantes intra-zone et contextuelles. Cette approche aide à distinguer les voies causales au niveau individuel de la confusion structurée géographiquement.
3. Proposition d'analyse de sensibilité : L'étude suggère que la comparaison des estimations à un seul niveau avec les estimations intra-zone (analogue à un test de Hausman) sert d'analyse de sensibilité critique. Si ces estimations divergent, cela signale la présence d'une confusion par la géographie qui n'est pas capturée par les ajustements standards des CP génétiques.
4. Récupération du signal génétique : Les résultats indiquent que la modélisation explicite du contexte géographique peut aider à récupérer des signaux génétiques robustes à partir de PGI plus bruyants et moins filtrés, suggérant que l'effet individuel « véritable » peut être obscurci par la confusion inter-zones dans les analyses standards.

Portée et affirmations
L'article affirme que les associations observées entre les PGI de santé mentale et les espaces verts dans les études précédentes reflètent probablement une confusion par la géographie plutôt que des voies causales directes. Les auteurs soutiennent que les épidémiologistes génétiques travaillant avec des populations spatialement structurées doivent systématiquement enquêter sur le contexte local. Ils soutiennent que supposer l'échangeabilité conditionnelle entre des individus dans des contextes géographiques très différents (par exemple, le centre de Londres par rapport au Peak District) est souvent incorrect.

L'étude conclut que, bien que les modèles à un seul niveau ajustés pour les CP génétiques soient insuffisants, l'inclusion du contexte local via la modélisation multiniveaux offre un mécanisme pour inférer des structures causales complexes et atténuer le biais. Les auteurs recommandent que de telles analyses de sensibilité informées géographiquement deviennent une pratique standard dans le domaine afin de prévenir l'attribution erronée de causes génétiques à des origines environnementales ou sociales en amont.