Sintesi Tecnica: Regressione Sparsa Guidata da Univariati per Dati Omici ad Alta Dimensionalità su Scala Biobank

Definizione del Problema

Il documento affronta la sfida di eseguire la regressione sparsa su dati genomici ultra-ad alta dimensionalità, specificamente nel contesto della costruzione di Punteggi di Rischio Poligenico (PRS) utilizzando dataset su scala biobank come l'UK Biobank. In tali contesti, il numero di predittori (SNP, $p$) supera di gran lunga il numero di osservazioni ($n$), spesso con $p > 1.000.000$ e $n \approx 500.000$.

Gli approcci di regressione standard affrontano tre difficoltà fondamentali in questo dominio:

1. Infattibilità Computazionale: L'adattamento di modelli multivariati su milioni di SNP per centinaia di migliaia di individui è computazionalmente proibitivo, in particolare quando si utilizza la validazione incrociata per la sintonizzazione degli iperparametri.
2. Predittori Correlati (Linkage Disequilibrium): Gli SNP esistono in blocchi di alta correlazione. I metodi multivariati standard spesso faticano a decidere se selezionare un set sparso di rappresentanti o distribuire ("spalmare") gli effetti su molti variabili correlate, portando a modelli densi e difficili da interpretare.
3. Privacy dei Dati e Integrazione: Nella ricerca biomedica, i dati grezzi a livello individuale sono spesso ristretti a causa delle normative sulla privacy. I ricercatori si affidano frequentemente a statistiche riassuntive da coorti esterne (ad esempio, FinnGen) piuttosto che a dataset completi, rendendo difficile integrare queste informazioni esterne in un modello multivariato sparso unificato.

Storicamente, la costruzione del PRS si è basata su una pipeline a due fasi: uno studio di associazione genome-wide (GWAS) univariato seguito da un metodo di shrinkage o selezione post-hoc (ad esempio, clumping e thresholding, LDpred, PRS-CS). Gli autori sostengono che questo approccio sia subottimale perché la prima fase tratta gli SNP in isolamento, sollevando interi vicinati di SNP correlati, mentre la seconda fase tenta di correggere questo doppio conteggio, risultando spesso in predittori densi con dimensioni degli effetti appiattite.

Metodologia: Omni-adapted uniLasso

Gli autori propongono un adattamento scalabile della Regressione Sparsa Univariata-Guidata (uniLasso), originariamente introdotta da Chatterjee et al. [2025], adattata per dati su scala biobank. Il metodo è una procedura di regressione penalizzata in due fasi che sfrutta i coefficienti univariati per guidare la selezione multivariata.

L'Algoritmo

1. Fase 1: Pre-computazione Univariata:
   Per ogni SNP $j$, l'algoritmo calcola le intercette univariate ($\hat{\beta}_{0j}$) e le pendenze ($\hat{\beta}_j$). Fondamentalmente, calcola i valori adattati Leave-One-Out (LOO) ($\hat{y}^{-i}_{ij}$) per creare una matrice di feature $F$. L'uso di valori LOO invece di stime grezze costringe la successiva fase di selezione a fare affidamento su segnali predittivi fuori dal campione (out-of-sample) piuttosto che sul rumore all'interno del campione (in-sample).

   • Ottimizzazione: Per gestire la scala, gli autori hanno vettorizzato queste computazioni e le hanno parallelizzate su core CPU utilizzando il pacchetto Python Adelie.

2. Fase 2: Regressione Sparsa Guidata:
   Viene adattato un Lasso non negativo utilizzando le predizioni LOO in $F$ come feature per predire la risposta $y$.

   • Vincolo di Segno: I coefficienti $\theta_j$ in questa fase sono vincolati a essere non negativi. Il coefficiente multivariato finale viene recuperato come $\hat{\gamma}_j = \hat{\beta}_j \hat{\theta}_j$. Ciò garantisce che il segno del coefficiente finale corrisponda al segno del coefficiente univariato (o sia zero), prevenendo inversioni di segno che complicano l'interpretazione.
   • Gestione delle Risposte Binarie: Per esiti binari, il metodo utilizza la regressione logistica penalizzata. Poiché non esistono soluzioni LOO in forma chiusa per la perdita logistica, gli autori impiegano i Minimi Quadrati Iterativamente Pesati (IRLS) con un'approssimazione per le predizioni LOO proposta da Rad e Maleki [2020].

Modifiche alla Scalabilità e Stabilità

Per rendere uniLasso fattibile per l'UK Biobank, gli autori hanno introdotto diverse critiche modifiche ingegneristiche e statistiche:

• Suddivisione dei Dati: Invece della validazione incrociata k-fold (troppo costosa per $p \gg n$), hanno utilizzato una suddivisione 70/10/20 train/validation/test per sintonizzare il parametro di regolarizzazione $\lambda$.
• Filtraggio MAF: Gli SNP con Frequenza dell'Allele Minore (MAF) < 0,0005 sono stati esclusi per rimuovere le varianti rare che contribuiscono poco al potere predittivo e causano instabilità.
• Stabilizzazione della Varianza: Per gli SNP con bassa varianza (ma MAF $\ge$ 0,0005), il denominatore nel calcolo della pendenza univariata ($S_{xx}$) è stato regolarizzato aggiungendo il quinto percentile della distribuzione empirica dei valori di $S_{xx}$. Ciò evita l'esplosione dei coefficienti in colonne quasi costanti.
• Integrazione di Score Esterni (uniLasso ES): Per incorporare dati esterni (ad esempio, da FinnGen) senza l'accesso ai dati grezzi, gli autori hanno adattato il termine di penalizzazione. Utilizzano coefficienti univariati esterni ($\tilde{\beta}_j$) per definire pesi adattivi ($|\tilde{\beta}_j|$) e vincoli di segno nella penalità $\ell_1$ della seconda fase di regressione, anziché calcolare le stime LOO dai dati di training.

Contributi Chiave

1. Implementazione Scalabile di uniLasso: Il documento presenta il primo adattamento di uniLasso capace di gestire dati su scala biobank ($p \approx 10^6, n \approx 5 \times 10^5$) utilizzando dati a livello individuale, superando le barriere di memoria e tempo della formulazione originale.
2. Integrazione di Dati Esterni: Un nuovo framework per integrare statistiche riassuntive esterne in un modello multivariato sparso, bypassando la necessità di condividere dati grezzi pur migliorando l'accuratezza predittiva.
3. Estensione alle Risposte Binarie: Un'estensione dell'algoritmo a fenotipi binari utilizzando la regressione logistica e approssimazioni basate su IRLS per i fit LOO.
4. Validazione Empirica su UK Biobank: Una valutazione completa su quattro fenotipi (Altezza, BMI, CHD, Asma) confrontando il metodo con Lasso standard, PRS-CS e altri baseline.

Risultati

Gli autori hanno valutato i loro metodi sull'UK Biobank (limitato a individui White British) per tratti continui (Altezza, BMI) e binari (CHD, Asma).

• Sparsità vs. Performance:
  • uniLasso ha ottenuto una performance predittiva comparabile al Lasso standard (ad esempio, $R^2$ per l'Altezza: 0,707 vs. 0,713) ma ha selezionato significativamente meno varianti.
  • Nello specifico, uniLasso ha selezionato il 38% in meno di SNP per l'Altezza e il 43% in meno per il BMI rispetto a Lasso, con cali trascurabili in $R^2$ (0,006 e 0,016, rispettivamente).
  • Per i tratti binari come CHD, uniLasso è stato oltre il 50% più sparso rispetto a Lasso con un aumento di soli 0,001 nell'errore di test.
• Interpretabilità:
  • Una scoperta chiave è l'eliminazione dei cambiamenti di segno. Nel Lasso standard, i coefficienti spesso invertono il segno rispetto ai loro effetti univariati a causa della correlazione (ad esempio, il 12% dei coefficienti dell'Altezza ha cambiato segno); uniLasso, per costruzione, garantisce che tutti i coefficienti non nulli mantengano il segno del loro effetto univariato, migliorando significativamente l'interpretabilità.
• Score Esterni (uniLasso ES):
  • L'integrazione di score esterni da FinnGen (uniLasso ES) ha prodotto la migliore performance predittiva in tutti e quattro i fenotipi.
  • Per l'Altezza, uniLasso ES ha ottenuto un $R^2$ di 0,716 (rispetto a 0,713 per Lasso).
  • Nonostante l'uso di dati esterni, i modelli sono rimasti significativamente più sparsi rispetto a Lasso e PRS-CS.
• Confronto con PRS-CS:
  • PRS-CS, un metodo bayesiano denso, è stato inferiore a tutti i metodi basati su Lasso sui tratti continui e ha eguagliato i primi solo su CHD. PRS-CS ha prodotto modelli densi (utilizzando tutti gli SNP), mentre uniLasso ES ha mantenuto un'alta sparsità.

Significato e Rivendicazioni

Il documento sostiene che uniLasso offre un compromesso superiore tra accuratezza predittiva, sparsità e interpretabilità per i dati genomici su scala biobank.

• Sfida alla Visione "Infinitesimale": I risultati forniscono un contrappunto empirico ai modelli strettamente "pangenomici" o infinitesimali (come PRS-CS o LDpred-inf) che assumono che ogni variante abbia un effetto non nullo. Gli autori sostengono che per la predizione pratica, una visione "sparse-poligenica" — dove poche decine di migliaia di varianti catturano la maggior parte del segnale — è sufficiente e più robusta.
• Chiarezza Meccanicistica: Concentrando i pesi su (o vicino a) varianti realmente causali invece di distribuirli attraverso blocchi di LD correlati, uniLasso riduce il contributo di "rumore" dei SNP tag non causali, migliorando potenzialmente la robustezza delle stime di rischio individuale.
• Utilità Pratica: Il metodo dimostra che è possibile adattare modelli multivariati direttamente su dati a livello individuale di biobank, andando oltre i limiti della tradizionale pipeline a due fasi GWAS-più-PRS. L'integrazione di statistiche riassuntive esterne migliora ulteriormente questa utilità in ambienti con restrizioni sulla privacy.

Gli autori concludono che, sebbene i modelli densi abbiano valore quando sono disponibili solo statistiche riassuntive, l'approccio multivariato sparso di uniLasso è altamente efficace per contesti in cui l'interpretabilità e l'efficienza computazionale sono fondamentali.