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

Résumé technique : Un modèle linéaire mixte multivarié rotaté pour les études d'association pangénomique duales à grande échelle

Énoncé du problème
L'article traite de deux goulots d'étranglement critiques dans les études d'association pangénomique (GWAS) modernes utilisant des données à l'échelle des biobanques : le compromis entre l'efficacité computationnelle et la puissance statistique dans les analyses multi-traits, ainsi que l'incapacité des méthodes existantes à passer à l'échelle tant pour des tailles d'échantillons massives (ex. : > 300 000 individus) que pour des phénotypes de haute dimension (ex. : > 10 traits). Bien que les modèles linéaires mixtes (LMM) contrôlent efficacement la stratification de la population et la parenté des échantillons, les outils de pointe actuels comme GEMMA sont computationalement intraitables pour les GWAS multi-traits à grande échelle. La dépendance de GEMMA à l'optimisation de Newton-Raphson pour l'estimation de la matrice de covariance entraîne une complexité temporelle de $O(nd^6)$, ce qui le rend impraticable pour des jeux de données avec un grand $n$ (taille de l'échantillon) et un grand $d$ (nombre de phénotypes). De plus, les méthodes de réduction de dimension comme l'analyse en composantes principales (PCA) sont notées comme étant sous-optimales, car l'élimination des composantes à faible variance peut réduire sévèrement la puissance de détection des variants pléiotropiques.

Méthodologie : RmvLMM
Les auteurs proposent le Modèle Linéaire Mixte Multivarié Rotaté (RmvLMM), un cadre statistique conçu spécifiquement pour les scénarios « duals à grande échelle » (grand $n$ et grand $d$). La méthodologie intègre quatre innovations techniques clés :

1. Transformation par rotation orthogonale :
   Au lieu d'analyser directement des traits corrélés, RmvLMM utilise une série de trois décompositions en valeurs propres séquentielles pour effectuer une rotation orthogonale. Cette transformation décorréle les multiples phénotypes, convertissant le modèle linéaire mixte multivarié (mvLMM) en $d$ modèles de régression univariés indépendants. Cette étape met en évidence les signaux génétiques significatifs tout en traitant les signaux non significatifs comme du bruit, améliorant ainsi la puissance d'association.

2. Algorithme itératif MoM-REML :
   Pour estimer les matrices de covariance polygénique ($V_b$) et d'erreur ($V_e$), les auteurs ont développé un nouvel algorithme itératif rapide appelé MoM-REML. Cette méthode intègre la méthode des moments (MoM) avec le maximum de vraisemblance restreint (REML). En dérivant une expression de forme fermée caractérisant la relation entre $V_b$ et $V_e$ au sein du modèle rotaté, l'algorithme évite les calculs coûteux d'inversion et de déterminant de la matrice de covariance complète $nd \times nd$. Cela réduit la dépendance de la complexité temporelle vis-à-vis de la dimension phénotypique de $O(d^6)$ (dans GEMMA) à $O(d^2)$, avec une complexité globale de $O(nd^2)$.

3. Statistiques TOP2 et TOP2-O :
   Pour les tests d'association, RmvLMM effectue des tests F sur les modèles univariés rotatés. Il introduit une nouvelle statistique de combinaison de p-valeurs, TOP2, qui agrège les deux plus petites p-valeurs des $d$ tests univariés en utilisant la méthode de combinaison de Fisher. La distribution exacte de TOP2 est dérivée analytiquement. Pour les échantillons à l'échelle des biobanques où la décomposition en valeurs propres complète de la matrice de parenté $K$ est irréalisable, la méthode s'étend à TOP2-O, une statistique omnibus. TOP2-O agrège les preuves à travers plusieurs groupes d'échantillons disjoints via une stratégie de « division et combinaison ». Sa distribution nulle est calibrée empiriquement et ajustée à l'aide d'une distribution gamma généralisée, évitant ainsi la modélisation explicite des corrélations inter-groupes.

4. Stratégie de division et de combinaison :
   Pour gérer les tailles d'échantillons à l'échelle des biobanques, le jeu de données est partitionné en groupes disjoints. L'évidence d'association est évaluée au sein de chaque groupe et combinée en un test omnibus unique. Cette approche contourne la nécessité de construire ou de décomposer la matrice de parenté $K$ complète, permettant une mise à l'échelle quasi linéaire avec la taille de l'échantillon.

Résultats clés

• Efficacité computationnelle : Dans des simulations avec $n=5\,000$ et $d=20$, RmvLMM était plus de 50 fois plus rapide que GEMMA pour un scan complet du génome (se terminant en < 2 % du temps). Pour l'estimation des paramètres, RmvLMM a atteint une accélération d'environ 150 fois. Contra\à GEMMA, qui ne parvient pas à passer à l'échelle pour $n > 50\,000$, RmvLMM a démontré une mise à l'échelle presque linéaire, traitant des cohortes de 300 000 individus en environ 3,13 heures.
• Puissance statistique : RmvLMM a systématiquement surpassé GEMMA en termes de puissance statistique dans tous les scénarios simulés. À un seuil de signification strict ($\alpha = 1 \times 10^{-7}$), RmvLMM a obtenu une puissance supérieure de plus de 10 % à celle de GEMMA. Par exemple, avec $n=1\,000$ et $d=10$, RmvLMM a atteint des puissances de 52,4 %–73,1 % contre 40,5 %–62,2 % pour GEMMA à travers diverses fréquences d'allèles mineurs.
• Taux de faux positifs (FPR) : Les deux méthodes ont maintenu des FPR bien calibrés dans tous les contextes, confirmant que l'augmentation de la puissance ne s'est pas faite au détriment d'une inflation des faux positifs.
• Application à l'UK Biobank : Appliqué à 26 traits de biochimie sanguine chez 323 839 individus d'ascendance européenne, RmvLMM a identifié 1 325 SNP significatifs cartographiant 373 gènes. Parmi ceux-ci, 309 gènes possédaient un support dans la littérature. Notamment, l'analyse a identifié 10 gènes pléiotropiques validés comme cibles thérapeutiques (ex. : PCSK9, HMGCR), correspondant à 29 médicaments développés cliniquement. L'enrichissement des voies a confirmé les associations avec le métabolisme des lipides et l'homéostasie du cholestérol.

Signification et revendications
L'article affirme que RmvLMM fournit un cadre puissant et évolutif qui résout le compromis historique entre efficacité computationnelle et puissance statistique dans les GWAS multi-traits. En exploitant la rotation orthogonale et une stratégie de division et de combinaison parallélisable, il permet l'analyse d'échantillons à l'échelle des biobanques avec des phénotypes de haute dimension, une tâche auparavant jugée computationalement intraitable.

Les auteurs positionnent RmvLMM comme un outil pour faciliter la dissection de l'architecture génétique partagée des traits complexes et l'identification de variants pléiotropiques. Ils notent que la méthode est particulièrement efficace pour détecter les SNP associés à au moins un phénotype d'un ensemble, tout en reconnaissant une limite : elle n'identifie pas intrinsèquement quel phénotype spécifique conduit l'association, recommandant une approche en deux étapes (screening suivi d'un PheWAS) pour une délimitation précise. La méthode est actuellement limitée aux traits continus et ne supporte pas encore les phénotypes binaires ou ordinaux. Le logiciel est publié en open source pour soutenir la découverte génétique à grande échelle.