📊 statistics

Sample size and power determination for assessing overall SNP effects in joint modeling of longitudinal and time-to-event data

यह शोध पत्र अनुदैर्ध्य बायोमार्कर (longitudinal biomarkers) और घटना-से-समय (time-to-event) परिणामों के एक संयुक्त मॉडलिंग ढांचे के भीतर समग्र SNP प्रभावों का आकलन करने के लिए एक क्लोज्ड-फॉर्म नमूना आकार सूत्र (closed-form sample size formula) व्युत्पन्न करके आनुवंशिक अध्ययन डिजाइन में मौजूद अंतराल को संबोधित करता है, और सिमुलेशन एवं एक वास्तविक-विश्व अनुप्रयोग के माध्यम से इसकी सटीकता को प्रमाणित करता है।

मूल लेखक: Yuan Bian, Shelley B. Bull

प्रकाशित 2026-02-18

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuan Bian, Shelley B. Bull

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं: टाइप 1 मधुमेह वाले कुछ लोगों में गंभीर आंखों या किडनी की समस्याएं क्यों विकसित होती हैं, जबकि अन्य में नहीं?

आपको संदेह है कि दो चीजें हो रही हैं:

सीधा सुराग (The Direct Clue): उनके डीएनए में एक विशिष्ट जेनेटिक "ग्लिच" (एक SNP) सीधे नुकसान पहुंचा सकता है।
अप्रत्यक्ष सुराग (The Indirect Clue): वही जेनेटिक ग्लिच उनके ब्लड शुगर लेवल (HbA1c) को समय के साथ बहुत अधिक उतार-चढ़ाव वाला बना सकता है, और वे ही उतार-चढ़ाव वास्तव में नुकसान पहुंचाते हैं।

इस समाधान के लिए, आपको एक साथ दो प्रकार के साक्ष्य देखने होंगे:

अनुदैर्ध्य साक्ष्य (The Longitudinal Evidence): वर्षों से लिए गए बार-बार के ब्लड शुगर टेस्ट (जैसे उनके स्वास्थ्य की एक डायरी)।
घटना-समय साक्ष्य (The Time-to-Event Evidence): वह सटीक क्षण जब कोई जटिलता (जैसे रेटिनोपैथी) दिखाई देती है।

समस्या: "हमें कितने जासूसों की आवश्यकता है?"

वैज्ञानिक अध्ययनों में, आप केवल यह अनुमान नहीं लगा सकते कि आपको कितने लोगों को शामिल करना चाहिए। यदि आप बहुत कम लोग चुनते हैं, तो आप उत्तर चूक सकते हैं भले ही वह वहां मौजूद हो (एक गलत नकारात्मक परिणाम)। यदि आप बहुत अधिक लोग चुनते हैं, तो आप पैसा और समय बर्बाद करते हैं।

इस शोध पत्र के लेखक, युआन बियान और शेली बुल ने महसूस किया कि हालांकि हमारे पास इस डेटा का विश्लेषण करने के लिए बेहतरीन उपकरण हैं, लेकिन हमारे पास यह गणना करने का कोई अच्छा "नुस्खा" (recipe) नहीं था कि हमें अध्ययन शुरू करने से पहले कितने लोगों की आवश्यकता है। मौजूदा नुस्खे सरल ड्रग ट्रायल्स (जैसे एक गोली बनाम प्लेसबो) के लिए डिज़ाइन किए गए थे, लेकिन जेनेटिक्स अधिक जटिल है क्योंकि:

जीन केवल "ऑन" या "ऑफ" नहीं होते; वे तीन संस्करणों (0, 1, या 2 प्रतियां) में आते हैं।
जीन सहायक या हानिकारक हो सकते हैं (एक दवा के विपरीत जो आमतौर पर केवल एक ही होती है)।

समाधान: एक नया "जादुई सूत्र" (Magic Formula)

लेखकों ने एक क्लोज्ड-फॉर्म सैंपल साइज फॉर्मूला बनाया है। इसे एक विशेष कैलकुलेटर की तरह समझें जो जेनेटिक जासूसों के लिए है।

यह सूत्र कैसे काम करता है, एक सरल उपमा का उपयोग करते हुए:

कल्पना कीजिए कि आप शोर भरे कमरे में एक फुसफुसाहट (जेनेटिक प्रभाव) सुनने की कोशिश कर रहे हैं।

फुसफुसाहट की आवाज़ (The Volume of the Whisper): यह इफेक्ट साइज (Effect Size) है। यदि जीन का प्रभाव बहुत बड़ा है, तो आपको सुनने के लिए कम लोगों की आवश्यकता है। यदि प्रभाव बहुत छोटा है, तो आपको एक बहुत बड़ी भीड़ की आवश्यकता है।
कमरे की स्पष्टता (The Clarity of the Room): यह एलिल फ्रीक्वेंसी (Allele Frequency) है। यदि जीन बहुत दुर्लभ है (जैसे एक दुर्लभ लहजा), तो इसे सुनना कठिन है, इसलिए आपको अधिक लोगों की आवश्यकता है। यदि यह सामान्य है, तो यह आसान है।
सुनने की अवधि (The Duration of the Listening): यह फॉलो-अप समय (Follow-up Time) है। आप जितना लंबा सुनेंगे (मरीजों का पीछा करेंगे), आपके द्वारा सच पकड़ने की संभावना उतनी ही अधिक होगी।

लेखकों का सूत्र सीधी फुसफुसाहट (अकेले जीन का कार्य) और अप्रत्यक्ष फुसफुसाहट (ब्लड शुगर स्तर के माध्यम से जीन का कार्य) को जोड़ता है ताकि यह बता सके कि आपको कितने "कानों" (प्रतिभागियों) और कितने "घटनाओं" (जटिलताओं) की आवश्यकता है ताकि आप 90% निश्चित होकर सच सुन सकें।

"दो-चरणीय" शॉर्टकट (The "Two-Stage" Shortcut)

इसकी गणना करना आमतौर पर कंप्यूटरों के लिए एक दुःस्वप्न होता है क्योंकि गणित अविश्वसनीय रूप से जटिल होता है (जैसे जुगलिंग करते समय रूबिक क्यूब को हल करने की कोशिश करना)। लेखक एक चतुर शॉर्टकट का सुझाव देते हैं जिसे दो-चरणीय विधि (Two-Stage Method) कहा जाता है:

चरण 1: पहले अकेले ब्लड शुगर डेटा को देखें कि जीन इसे कैसे प्रभावित करता है।
चरण 2: ब्लड शुगर डेटा से उस जेनेटिक प्रभाव को हटा दें, फिर शेष डेटा को देखें कि यह जटिलताओं को कैसे प्रभावित करता है।

यह एक प्याज छीलने जैसा है: आप बाहरी परत (ब्लड शुगर पर जीन का प्रभाव) को हटा देते हैं ताकि आप जटिलता के मूल (बीमारी पर जीन का कुल प्रभाव) को देख सकें बिना गणित से अभिभूत हुए।

वास्तविक दुनिया का परीक्षण: DCCT अध्ययन

अपने सूत्र को सिद्ध करने के लिए, उन्होंने एक प्रसिद्ध वास्तविक अध्ययन जिसे डायबिटीज कंट्रोल एंड कॉम्प्लिकेशंस ट्रायल (DCCT) कहा जाता है, पर इसे लागू किया।

सेटअप: इस अध्ययन में लगभग 1,400 लोग थे जिन्हें दो समूहों में बांटा गया था: एक समूह जो "गहन" (intensive) देखभाल प्राप्त कर रहा था (बहुत सख्त ब्लड शुगर नियंत्रण) और एक जो "पारंपरिक" देखभाल प्राप्त कर रहा था।
परिणाम: जब उन्होंने इस डेटा पर अपने नए सूत्र को चलाया, तो परिणाम चौंकाने वाला था। अध्ययन पर्याप्त बड़ा नहीं था!
पाठ: भले ही DCCT एक विशाल, प्रसिद्ध अध्ययन था, लेकिन इसमें आधुनिक जेनेटिक्स के आवश्यक मानकों (जहाँ आपको यह सुनिश्चित करने की अत्यधिक आवश्यकता होती है कि आप केवल रैंडम शोर नहीं देख रहे हैं) के साथ छोटे जेनेटिक प्रभावों का पता लगाने के लिए पर्याप्त लोग नहीं थे।

यह क्यों मायने रखता है

यह शोध पत्र शोधकर्ताओं को एक ब्लूप्रिंट देता है। डेटा एकत्र करने में लाखों डॉलर और वर्षों का समय खर्च करने से पहले, वे इस सूत्र का उपयोग यह पूछने के लिए कर सकते हैं:

"यदि मैं एक ऐसे जीन को खोजना चाहता हूं जिसका प्रभाव छोटा है, तो क्या मुझे 500 लोगों की आवश्यकता है या 5,000 की?"
"यदि मैं केवल 5 वर्षों के बजाय 10 वर्षों तक रोगियों का पीछा करता हूँ, तो क्या मैं उत्तर खोजने की अपनी क्षमता खो दूँगा?"

संक्षेप में: लेखकों ने जेनेटिक रहस्यों को मापने के लिए एक बेहतर पैमाना बनाया है। उन्होंने हमें दिखाया कि इस पैमाने के बिना, हम कमजोर नींव पर घर बना सकते हैं, और उन्होंने यह भी साबित किया कि प्रसिद्ध अध्ययनों को भी शायद हमारी सोच से बड़े होने की आवश्यकता है ताकि मधुमेह की जेनेटिक पहेली को सुलझाया जा सके।

यहाँ "जॉइंट मॉडलिंग ऑफ लॉन्जिट्यूडिनल एंड टाइम-टू-इवेंट डेटा में ओवरऑल SNP इफेक्ट्स के आकलन के लिए सैंपल साइज और पावर डिटरमिनेशन" पेपर का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र लॉन्जिट्यूडिनल बायोमार्कर (जैसे HbA1c स्तर) और टाइम-टू-इवेंट परिणामों (जैसे मधुमेह संबंधी जटिलताओं की शुरुआत) के जॉइंट मॉडलिंग में शामिल जेनेटिक एसोसिएशन अध्ययनों के सांख्यिकीय डिजाइन में एक महत्वपूर्ण अंतराल को संबोधित करता है।

संदर्भ: हालांकि इस प्रकार के डेटा के जॉइंट मॉडलिंग के लिए विधियाँ मौजूद हैं, लेकिन विशेष रूप से सिंगल न्यूक्लियोटाइड पॉलीमॉर्फिज्म (SNPs) के लिए तैयार किए गए कठोर सैंपल साइज और पावर कैलकुलेशन टूल्स की कमी है।
विशिष्ट चुनौतियाँ:
- जेनेटिक जटिलता: बाइनरी ट्रीटमेंट समूहों के विपरीत, SNPs श्रेणीगत (0, 1, या रिस्क एलील की 2 कॉपियाँ) होते हैं और अक्सर असंतुलित जीनोटाइप वितरण (माइनर एलील फ्रीक्वेंसी, $p$ पर निर्भर) रखते हैं, जो सांख्यिकीय दक्षता को प्रभावित करता है।
- कार्य करने की प्रक्रिया (Mechanism of Action): जेनेटिक वेरिएंट दो मार्गों के माध्यम से इवेंट रिस्क को प्रभावित करते हैं: डायरेक्ट इफेक्ट्स (हैज़र्ड पर) और इनडायरेक्ट इफेक्ट्स (लॉन्जिट्यूडिनल बायोमार्कर के माध्यम से मध्यस्थता)। मानक सर्वाइवल एनालिसिस फॉर्मूले (जैसे शोनफेल्ड) इस मीडिएशन को ध्यान में नहीं रखते हैं।
- परीक्षण की दिशा: जेनेटिक प्रभाव द्विदिश (bidirectional) हो सकते हैं (जोखिम को बढ़ाना या कम करना), जिसके लिए टू-साइडेड हाइपोथेसिस टेस्टिंग की आवश्यकता होती है, जबकि ट्रीटमेंट ट्रायल्स में अक्सर दिशात्मक धारणाएं होती हैं।
लक्ष्य: एक जॉइंट मॉडलिंग फ्रेमवर्क के भीतर ओवरऑल SNP इफेक्ट ( $\gamma_g + \alpha\beta_g$ ) का परीक्षण करने के लिए एक क्लोज्ड-फॉर्म सैंपल साइज फॉर्मूला व्युत्पन्न करना और इसकी सटीकता को सत्यापित करना।

2. कार्यप्रणाली (Methodology)

A. सांख्यिकीय ढांचा (Statistical Framework)

लेखक दो उप-मॉडलों को जोड़ने वाले एक जॉइंट मॉडलिंग ढांचे का उपयोग करते हैं:

लॉन्जिट्यूडिनल सब-मॉडल:
$Y_i(t) = \eta_i(t) + \epsilon_i(t)$
$\eta_i(t) = (\beta_0 + b_{i0}) + (\beta_1 + b_{i1})t + \dots + \beta_g \text{SNP}_i$
यहाँ, $\beta_g$ लॉन्जिट्यूडल ट्रेजेक्टरी पर SNP का प्रभाव है, और $b_i$ रैंडम इफेक्ट्स हैं।
सर्वाइवल सब-मॉडल (प्रोपोर्शनल हैजार्ड्स):
$\lambda_i(t) = \lambda_0(t) \exp\{ \gamma_g \text{SNP}_i + \alpha \eta_i(t) \}$
यहाँ, $\gamma_g$ हैज़र्ड पर SNP का डायरेक्ट इफेक्ट है, और $\alpha$ वास्तविक लॉन्जिट्यूडल ट्रेजेक्टरी को इवेंट रिस्क से जोड़ता है।

ओवरऑल इफेक्ट: इवेंट रिस्क पर SNP के कुल प्रभाव को डायरेक्ट और इनडायरेक्ट प्रभावों के योग के रूप में परिभाषित किया गया है:
$\theta_g = \gamma_g + \alpha\beta_g$
हाइपोथेसिस टेस्ट है $H_0: \theta_g = 0$ बनाम $H_a: \theta_g \neq 0$ ।

B. सैंपल साइज फॉर्मूला का व्युत्पत्ति (Derivation of the Sample Size Formula)

शोनफेल्ड (1983) और चेन एट अल. (2011) पर आधारित, लेखक महत्व स्तर $\tilde{\alpha}$ पर पावर $1-\tilde{\beta}$ प्राप्त करने के लिए आवश्यक घटनाओं की संख्या ( $D$ ) व्युत्पन्न करते हैं:
$D = \frac{(Z_{1-\tilde{\beta}} + Z_{1-\tilde{\alpha}/2})^2}{2pq(\gamma_g + \alpha\beta_g)^2}$

मुख्य अनुकूलन: फॉर्मूला बाइनरी ट्रीटमेंट वेरिएंस के स्थान पर SNP जीनोटाइप वेरिएंस ($2pq $, जहाँ$ p$ माइनर एलील फ्रीक्वेंसी है) का उपयोग करता है।
पावर इन्वर्जन: दिए गए सैंपल साइज और इवेंट काउंट के आधार पर पावर का अनुमान लगाने के लिए फॉर्मूले को इनवर्ट किया जाता है।

C. अनुमान रणनीति (दो-चरणीय दृष्टिकोण) (Estimation Strategy - Two-Stage Approach)

यह पहचानते हुए कि बड़े पैमाने पर जेनेटिक अध्ययनों के लिए एक्सपेक्टेशन-मैक्सिमाइजेशन (EM) एल्गोरिदम के माध्यम से पूर्ण जॉइंट मॉडलिंग करना गणनात्मक रूप से गहन है, लेखक व्यावहारिक पावर अनुमान और सत्यापन के लिए एक दो-चरणीय विधि का प्रस्ताव करते हैं:

चरण 1: $\hat{\beta}_g$ का अनुमान लगाने के लिए पूर्ण लॉन्जिट्यूडल मॉडल फिट करें।
समायोजन (Adjustment): SNP-संबंधित भिन्नता को हटाने के लिए समायोजित लॉन्जिट्यूडल रिस्पॉन्स $y'_i(t) = y_i(t) - \hat{\beta}_g \text{SNP}_i$ की गणना करें।
चरण 2: समायोजित ट्रेजेक्टरी $\hat{\eta}'_i(t)$ का अनुमान लगाने के लिए एक रिड्यूस्ड लॉन्जिट्यूडल मॉडल फिट करें, फिर एक सर्वाइवल मॉडल फिट करें: $\lambda_i(t) = \lambda_0(t) \exp\{ \theta_g \text{SNP}_i + \alpha' \hat{\eta}'_i(t) \}$ ।
परीक्षण: $H_0: \theta_g = 0$ के तहत $\theta_g$ की सार्थकता का आकलन करें।

3. मुख्य योगदान (Key Contributions)

क्लोज्ड-फॉर्म फॉर्मूला: जॉइंट मॉडल्स में एक SNP (डायरेक्ट + इनडायरेक्ट) के ओवरऑल इफेक्ट के परीक्षण के लिए विशिष्ट क्लोज्ड-फॉर्म सैंपल साइज फॉर्मूला का व्युत्पत्ति।
जेनेटिक विशिष्टताओं को संभालना: यह स्पष्ट रूप से SNP डोजेज कोडिंग (0, 1, 2), असंतुलित जीनोटाइप आवृत्तियों ($2pq$), और टू-साइडेड टेस्टिंग की आवश्यकता को ध्यान में रखता है।
कंप्यूटेशनल दक्षता: एक मजबूत दो-चरणीय अनुमान दृष्टिकोण प्रस्तावित करता है जो पूर्ण जॉइंट लाइकलीहुड मैक्सिमाइजेशन के भारी कंप्यूटेशनल बोझ से बचता है, जिससे यह जीनोम-वाइड एसोसिएशन स्टडीज (GWAS) के लिए व्यवहार्य हो जाता है।
व्यावहारिक उपकरण: शोधकर्ताओं के लिए सैंपल साइज और पावर गणना को सुगम बनाने के लिए एक इंटरैक्टिव Shiny app (PowerSNP) का विकास।

4. परिणाम (Results)

सिमुलेशन अध्ययन (Simulation Studies)

सटीकता: प्रस्तावित फॉर्मूला विभिन्न परिदृश्यों (विभिन्न प्रभाव आकार ( $\alpha, \beta_g, \gamma_g$ ), रैंडम इफेक्ट स्ट्रक्चर, और महत्व स्तरों सहित) में आवश्यक घटनाओं की संख्या ( $D$ ) का सटीक अनुमान लगाता है।
मजबूती (Robustness): पावर अनुमान विभिन्न रैंडम इफेक्ट कोवेरिएंस स्ट्रक्चर के तहत स्थिर रहता है।
सीमाएँ:
- मापन आवृत्ति (Measurement Frequency): फॉर्मूला पर्याप्त मापन आवृत्ति के साथ अच्छा प्रदर्शन करता है, लेकिन बहुत कम विज़िट (इंटरवल सेंसिंग इश्यूज) होने पर पावर को कम आंकता है।
- मॉडल मिसस्पेसिफिकेशन: यदि लॉन्जिट्यूडल मॉडल मिसस्पेसिफाइड है (उदाहरण के लिए, यदि वास्तविक ट्रेजेक्टरी क्वाड्रेटिक है और लीनियर मॉडल फिट किया गया है), तो एम्पिरिकल पावर, गणना की गई पावर से विचलित हो जाती है, जो सही ट्रेजेक्टरी मॉडलिंग की आवश्यकता को रेखाटती है।
- बायस (Bias): सर्वाइवल मॉडल्स में लॉन्जिट्यूडल ट्रेजेक्टरी को अनदेखा करने से डायरेक्ट SNP प्रभाव ( $\gamma_g$ ) के अनुमान में बायस आता है, जबकि प्रस्तावित दो-चरणीय और जॉइंट मेथड्स निष्पक्ष (unbiased) परिणाम देते हैं।

रिट्रोस्पेक्टिव एनालिसिस: DCCT डेटा

लेखकों ने रेटिनोपैथी पर SNP प्रभावों की शक्ति का आकलन करने के लिए डायबिटीज कंट्रोल एंड कॉम्प्लिकेशंस ट्रायल (DCCT) को लागू किया।

निष्कर्ष: दोनों कन्वेंशनल और इंटेंसिव ट्रीटमेंट आर्म्स के लिए, DCCT का सैंपल साइज (लगभग 526–527 विषय) मध्यम प्रभाव आकार के लिए पारंपरिक GWAS सार्थकता स्तरों ( $\tilde{\alpha} = 5 \times 10^{-8}$ ) पर पर्याप्त पावर (80%) प्राप्त करने के लिए अपर्याप्त है।
संवेदनशीलता: कन्वेंशनल आर्म की तुलना में इंटेंसिव आर्म (कम इवेंट्स) ने कम पावर और माइनर एलील फ्रीक्वेंसी ( $p$ ) तथा महत्व थ्रेसहोल्ड के प्रति उच्च संवेदनशीलता दिखाई।
निहितार्थ: स्ट्रैटिफाइड ट्रीटमेंट समूहों में लॉन्जिट्यूडल बायोमार्कर द्वारा मध्यस्थता वाले मध्यम जेनेटिक प्रभावों का पता लगाने के लिए वर्तमान में उपलब्ध कोहॉर्ट्स की तुलना में काफी बड़े सैंपल साइज की आवश्यकता होती है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

स्टडी डिजाइन ऑप्टिमाइजेशन: यह पेपर शोधकर्ताओं को लॉन्जिट्यूडल मीडिएटर्स वाले जेनेटिक अध्ययनों के लिए व्यवहार्य सैंपल साइज निर्धारित करने हेतु आवश्यक उपकरण प्रदान करता है, जिससे अंडरपावर्ड अध्ययनों को रोका जा सके जो वास्तविक जुड़ाव का पता लगाने में विफल रहते हैं।
मेथडोलॉजिकल एडवांसमेंट: जॉइंट मॉडलिंग थ्योरी को विशिष्ट जेनेटिक प्रभाव गणनाओं को शामिल करने के लिए विस्तारित करके, लेखक जटिल सांख्यिकीय मॉडलिंग और व्यावहारिक अध्ययन डिजाइन के बीच के अंतर को पाटते हैं।
वास्तविक दुनिया का प्रभाव: DCCT डेटा पर अनुप्रयोग एक चेतावनी भरे उदाहरण के रूप में कार्य करता है, जो यह दर्शाता है कि जटिल जेनेटिक पाथवे का विश्लेषण करते समय मौजूदा ऐतिहासिक ट्रायल भी आधुनिक GWAS-स्तर की खोज के लिए पर्याप्त पावर की कमी रख सकते हैं।
भविष्य की दिशाएं: लेखक नोट करते हैं कि हालांकि फॉर्मूला मजबूत है, यह नॉन-इंफॉर्मेटिव सेंसरिंग और सही लॉन्जिट्यूडल ट्रेजेक्टरी को मानता है। भविष्य के कार्यों में मॉडल मिसस्पेसिफिकेशन और इंफॉर्मेटिव ड्रॉपआउट को संबोधित किया जाना चाहिए।

संक्षेप में, यह पेपर उन जेनेटिक एसोसिएशन अध्ययनों की योजना बनाने के लिए एक कठोर, सत्यापित और कंप्यूटेशनल रूप से कुशल ढांचा प्रदान करता है जहाँ कार्य करने की प्रक्रिया (mechanism of action) में डायरेक्ट और लॉन्जिट्यूडल-मीडिएटेड दोनों मार्ग शामिल हैं।