Bias in genome-wide association test statistics due to omitted interactions

यहाँ शोध पत्र "Bias in genome-wide association test statistics due to omitted interactions" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का विवरण (Problem Statement)

जीनोम-वाइड एसोसिएशन स्टडीज (GWAS) ने जटिल मानव लक्षणों से जुड़े हजारों आनुवंशिक वेरिएंट्स की सफलतापूर्वक पहचान की है। हालाँकि, मानक कार्यप्रणाली मुख्य रूप से रैखिक मॉडलों (विशेष रूप से लीनियर मिक्सड मॉडल्स, LMMs) पर निर्भर करती है जो यह मानती हैं कि आनुवंशिक प्रभाव मुख्य रूप से योगात्मक (additive) होते हैं।

• अंतराल (The Gap): जैविक प्रणालियों में अक्सर एपिस्टेसिस (epistasis) (जीन-जीन इंटरेक्शन) और जीन-पर्यावरण इंटरेक्शन शामिल होते हैं। जब ये गैर-रैखिक इंटरेक्शन मौजूद होते हैं लेकिन सांख्यिकीय मॉडल में उन्हें छोड़ दिया जाता है, तो वे ओमिटेड वेरिएबल्स (omitted variables) के रूप में कार्य करते हैं।
• परिणाम (The Consequence): यह शोध पत्र इस बात की जांच करता है कि क्या GWAS में इंटरेक्शन टर्म्स को छोड़ने से स्पूरियस एसोसिएशंस (spurious associations) (झूठे सकारात्मक परिणाम/false positives) उत्पन्न होते हैं। विशेष रूप से, यह पूछता है कि क्या मानक रैखिक मॉडल उन SNPs के लिए सांख्यिकीय रूप से महत्वपूर्ण संकेत उत्पन्न कर सकते हैं जिनका फेनोटाइप पर कोई सीधा कारण प्रभाव (causal effect) नहीं है, केवल इसलिए क्योंकि वे छोड़े गए इंटरेक्शन टर्म्स के साथ सह-संबंधित (correlated) हैं।
• वर्तमान ज्ञान: हालांकि "सिंथेटिक एसोसिएशन" (जहाँ एक SNP अन्य वेरिएंट्स के संयोजन को टैग करता है) ज्ञात हैं, लेकिन यह निर्धारित करने के लिए कोई कठोर गणितीय मॉडलिंग नहीं की गई थी कि क्या केवल एपिस्टेसिस को छोड़ने से वास्तविक पैरामीटर सेटिंग्स के तहत टेस्ट स्टैटिस्टिक्स को इतने स्तर तक बढ़ा दिया जाता है कि वे झूठे सकारात्मक परिणाम उत्पन्न करें।

2. कार्यप्रणाली (Methodology)

लेखक वास्तविक जीनोटाइप डेटा का उपयोग करके बीजगणितीय व्युत्पन्न (algebraic derivation) और बड़े पैमाने पर फेनोटाइप सिमुलेशन के संयोजन का उपयोग करते हैं।

A. गणितीय ढांचा (Mathematical Framework)

1. वास्तविक डेटा जनरेटिंग प्रोसेस (DGP):
   वास्तविक फेनोटाइप $y$ को इस प्रकार मॉडल किया जाता है:
   $$y = X\beta + \alpha g + u + \varepsilon$$
   जहाँ:

   • $g$: लक्षित SNP (Target SNP)।
   • $u$: इंटरेक्शन टर्म्स का वास्तविक योगदान (एपिस्टेसिस), जिसे $u = Z\beta_u$ के रूप में परिभाषित किया गया है।
   • $\varepsilon$: शोर (noise) जिसमें पर्यावरणीय और योगात्मक पॉलीजेनिक प्रभाव शामिल हैं।
   • $\alpha$: $g$ का वास्तविक योगात्मक प्रभाव (शून्य परिकल्पना के तहत $\alpha$ को 0 सेट किया गया है)।

2. फिट किया गया (गलत तरीके से निर्दिष्ट) मॉडल:
   एक मानक LMM फिट किया जाता है जो बिना किसी इंटरेक्शन के माना जाता है:
   $$y = X\beta + \alpha g + \varepsilon$$
   लक्ष्य $H_0: \alpha = 0$ के तहत टेस्ट स्टैटिस्टिक के व्यवहार का विश्लेषण करना है।

3. प्रीप्रोसेसिंग और व्युत्पत्ति (Derivation):

   • लेखक डेटा को व्हाइटन (whiten) करने और कोवेरिएट्स (आयु, लिंग, PCs) को हटाने के लिए एक लीनियर ऑपरेटर $T$ लागू करते हैं, जिससे मॉडल एक ऐसे स्थान में बदल जाता है जहाँ शोर गोलाकार (spherical) होता है।
   • वे शून्य परिकल्पना के तहत साधारण लीस्ट स्क्वायर्स (OLS) एस्टीमेटर $\hat{\alpha}$ के अपेक्षित मान (expected value) और विचलन (variance) को व्युत्पन्न करते हैं।
   • मुख्य अंतर्दृष्टि: $u$ का छूटना टेस्ट स्टैटिस्टिक के माध्य (mean) और विचरण (variance) में बदलाव का कारण बनता है। स्टैटिस्टिक $t$, $N(0, 1)$ के बजाय $N(\mu, \sigma^2_{res})$ वितरण का पालन करता है।
   • पैरामीटर्स: यह बायस तीन कारकों द्वारा संचालित होता है:
     • $\lambda$: इंटरेक्शन टर्म द्वारा समझाया गया विचरण (variance) का अंश।
     • $\rho$: लक्षित SNP ($g$) और इंटरेक्शन टर्म ($u$) के बीच सहसंबंध।
     • $n$: नमूना आकार (sample size)।

4. कंजर्वेटिव रेश्यो ($R$):
   लेखक बायस को मापने के लिए एक अनुपात $R(x) = p_{true}(x) / p_{nom}(x)$ को परिभाषित करते हैं।

   • $R > 1$: एंटी-कंजर्वेटिव (Anti-conservative) (बढ़ा हुआ टेल, बढ़े हुए झूठे सकारात्मक परिणाम)।
   • $R < 1$: कंजर्वेटिव (Conservative) (घटा हुआ टेल)।
   • वे इसका विश्लेषण मानक GWAS महत्व सीमा ($x = \pm 5.45$, जो $p = 5 \times 10^{-8}$ के अनुरूप है) पर करते हैं।

5. स्ट्रिक्ट नो-पाथ नल ($H^NP_0$):
   यह सुनिश्चित करने के लिए कि बायस शुद्ध रूप से सहसंबंध के कारण है न कि प्रत्यक्ष कारण पथ (direct causal pathway) के कारण, वे एक सख्त नल (null) को परिभाषित करते हैं जहाँ लक्षित SNP को इंटरेक्शन फीचर्स ($u$) से बाहर रखा गया है। यह लक्षित SNP और इंटरेक्शन में शामिल लोकी (loci) के बीच लिंकेज डिसइक्विलिब्रियम (LD) के कारण होने वाले बायस को अलग करता है।

B. सिमुलेशन विश्लेषण (Simulation Analysis)

• डेटा: एस्टोनिया बायोबैंक (Estonian Biobank) के जीनोटाइप (लगभग 210,000 नमूने)।
• डिज़ाइन:
  • 10,000 फेनोटाइप्स को विभिन्न गैर-योगात्मक विचरण अंशों ($\lambda$ से 0.0171 तक) के साथ सिम्युलेट किया गया।
  • इंटरेक्शन टर्म्स ($u$) को क्रोमोसोम 21 के SNPs के यादृच्छिक दो-तरफा इंटरेक्शन का उपयोग करके बनाया गया था।
  • लक्षित SNPs ($g$) को LD प्रभावों का परीक्षण करने के लिए क्रोमोसोम 22 (अलग क्रोमोसोम) और क्रोमोसोम 21 (समान क्रोमोसोम) से चुना गया था।
  • टूल: समरी स्टैटिस्टिक्स उत्पन्न करने के लिए REGENIE (एक अत्याधुनिक LMM टूल) का उपयोग किया गया।
• वैलिडेशन: लेखकों ने REGENIE से प्राप्त $R$ अनुपात और $p$-वैल्यू वितरण के बीजगणितीय भविष्यवाणियों की तुलना वास्तविक परिणामों से की।

3. मुख्य परिणाम (Key Results)

गणितीय निष्कर्ष (Mathematical Findings)

• एंटी-कंसर्वेटिव रिजीम (Anti-Conservative Regime): व्युत्पन्न मॉडल दिखाता है कि यथार्थवादी स्थितियों के तहत, टेस्ट स्टैटिस्टिक वितरण इस तरह शिफ्ट होता है कि टेल बढ़ जाती है ($R > 1$)।
• थ्रेशोल्ड क्रॉसिंग: मानक GWAS थ्रेशोल्ड ($|x| = 5.45$) के लिए, वास्तविक नल ($p_{true}$) के तहत महत्वपूर्ण परिणाम देखने की संभावना 0.5 से अधिक हो सकती है (अर्थात >50% "महत्वपूर्ण" हिट्स स्पूरियस/झूठे हैं) जब:
  • नमूना आकार ($n$) बड़ा हो (जैसे, >100,000)।
  • गैर-योगात्मक विचरण ($\lambda$) मध्यम हो (जैसे, 0.03–0.1)।
  • सहसंबंध ($\rho$) कम लेकिन गैर-शून्य हो (जैसे, 0.03)।

सिमुलेशन निष्कर्ष (Simulation Findings)

• उच्च सामंजस्य (High Concordance): REGENIE का उपयोग करके सिमुलेशन परिणाम बीजगणितीय मॉडल की भविष्यवाणियों से पूरी तरह मेल खाते हैं।
• स्पूरियस सिग्निफिकेंस (Spurious Significance):
  • इंटरेक्शन टर्म्स वाले सिमुलेशन में, हजारों SNPs को महत्वपूर्ण ($p < 5 \times 10^{-8}$) के रूप में पहचाना गया, जबकि उनका कोई वास्तविक कारण प्रभाव नहीं था।
  • कंट्रोल सिमुलेशन (बिना इंटरेक्शन टर्म के) में, 38 मिलियन टेस्ट में केवल 2-4 स्पूरियस हिट मिले, जो पुष्टि करता है कि बायस ओमिटेड इंटरेक्शन द्वारा संचालित है।
• क्रोमोसोमल प्रभाव (Chromosomal Effects):
  • समान क्रोमोसोम: LD के कारण उच्च $\rho$ मान देखे गए, जिससे गंभीर मुद्रास्फीति (inflation) हुई।
  • अलग क्रोमोसोम: भले ही लक्षित SNPs और इंटरेक्शन SNPs अलग-अलग क्रोमोसोम पर थे, फिर भी $\rho$ गैर-शून्य था (औसत $\approx 0.032$) क्योंकि जनसंख्या संरचना और ग्लोबल LD के कारण, जो बड़े $n$ के लिए अभी भी एंटी-कंजर्वेटिव रिजीम की ओर ले जाता है।

4. मुख्य योगदान (Key Contributions)

1. बायस का बीजगणितीय प्रमाण: यह शोध पत्र पहला कठोर बीजगणितीय व्युत्पन्न प्रदान करता है जो दिखाता है कि लीनियर GWAS मॉडलों में एपिस्टेसिस को छोड़ने से टेस्ट स्टैटिस्टिक्स का नल वितरण शिफ्ट हो जाता है, जिससे व्यवस्थित बायस (झूठे सकारात्मक परिणामों की ओर) पैदा होता है।
2. "स्पूरियस" ज़ोन का परिमाणीकरण: लेखक कंजर्वेटिव और एंटी-कंजर्वेटिव रिजीम के बीच की सीमा को परिभाषित करते हैं, यह प्रदर्शित करते हुए कि जैसे-जैसे नमूना आकार बढ़ता है, रैखिक मॉडलों के लिए "सुरक्षित" क्षेत्र छोटा होता जाता है।
3. स्ट्रिक्ट नो-पाथ नल कॉन्सेप्ट: एक सख्त नल हाइपोथीसिस का परिचय जो लक्षित SNP को इंटरेक्शन टर्म्स से बाहर रखता है, यह सिद्ध करता है कि बायस सीधे कारण पथों के बजाय शुद्ध रूप से सहसंबंध (LD) से उत्पन्न होता है।
4. अनुभवजन्य सत्यापन (Empirical Validation): वास्तविक दुनिया के जीनोटाइप डेटा (एस्टोनियाई बायोबैंक) और आधुनिक GWAS सॉफ़्टवेयर (REGENIE) का उपयोग करके सैद्धांतिक मॉडल का सत्यापन, यह पुष्टि करता है कि बायस केवल सैद्धांतिक नहीं बल्कि व्यावहारिक रूप से भी दृश्यमान है।

5. महत्व और निहितार्थ (Significance and Implications)

• GWAS कैटलॉग का पुनर्मूल्यांकन: ये निष्कर्ष बताते हैं कि GWAS कैटलॉग में सांख्यिकीय रूप से महत्वपूर्ण हिट्स का एक गैर-नगण्य हिस्सा (विशेष रूप से बड़े बायोबैंक अध्ययनों में बहुत कम p-वैल्यू वाले) अनमॉडल एपिस्टेसिस के स्पूरियस आर्टिफैक्ट्स हो सकते हैं, न कि वास्तविक योगात्मक कारण वेरिएंट।
• सैंपल साइज विरोधाभास (Sample Size Paradox): जैसे-जैसे GWAS सैंपल साइज बढ़ता है (अब कुछ अध्ययनों में 1 मिलियन से अधिक), वास्तविक संकेतों का पता लगाने की शक्ति बढ़ती है, लेकिन इन स्पूरियस संकेतों का पता लगाने की शक्ति भी नाटकीय रूप से बढ़ जाती है। बायस $n$ के साथ स्केल करता है, जिससे बड़े पैमाने के अध्ययन विशेष रूप से संवेदनशील हो जाते हैं यदि इंटरेक्शन को अनदेखा किया जाता है।
• कार्यप्रणाली में बदलाव: यह शोध पत्र तर्क देता है कि जटिल लक्षणों को समझने के लिए केवल योगात्मक रैखिक मॉडलों पर निर्भर रहना पर्याप्त नहीं है। यह निम्नलिखित की वकालत करता है:
  • इंटरेक्शन का स्पष्ट मॉडलिंग (एपिस्टेसिस)।
  • धारणा-मुक्त या न्यूनतम-धारणा वाले मॉडलों का विकास।
  • गैर-रैखिक आर्किटेक्चर को ध्यान में रखे बिना बड़े पैमाने के लीनियर GWAS से प्राप्त महत्वपूर्ण संकेतों की व्याख्या करने में सावधानी।

निष्कर्षतः, यह शोध पत्र प्रदर्शित करता है कि GWAS में छोड़े गए इंटरेक्शन टर्म्स एक व्यवस्थित एंटी-कंजर्वेटिव बायस पैदा करते हैं, जिससे बड़े पैमाने के अध्ययनों में झूठे सकारात्मक परिणामों की उच्च दर होती है, जो यह दर्शाता है कि आनुवंशिक जुड़ाव को कैसे मॉडल और समझा जाना चाहिए, इसके लिए एक बदलाव की आवश्यकता है।