Annotation-Informed Block-Sparse Bayesian Modeling for cis-Expression Prediction

Sintesi Tecnica: Modellazione Bayesiana a Sparsità a Blocchi Informata dalle Annotazioni per la Predizione dell'Espressione cis

Problematica
La predizione dell'espressione cis basata sul genotipo è fondamentale per la costruzione dei pesi delle Associazioni di Studio sull'intero Trascrittoma (TWAS). Tuttavia, gli attuali metodi affrontano una sfida duplice, sia statistica che biologica: i pannelli del trascrittoma di riferimento tipicamente contengono centinaia di individui, mentre le finestre cis possono comprendere migliaia di varianti correlate. Questo regime ad alta dimensionalità e basso campionamento richiede una forte regolarizzazione. Gli approcci esistenti rientrano generalmente in due categorie: la regressione penalizzata sparsa (es. LASSO, elastic net), che tratta gli SNP come scambiabili, e i modelli misti densi (es. BLUP), che distribuiscono il segnale in modo ampio. Nessuna di queste classi modella esplicitamente l'organizzazione locale dei varianti cis correlati, specificamente il fatto che i segnali regolatori spesso originano all'interno di vicinati di aplotipi locali (Blocchi di Linkage Disequilibrium o LD) e che le varianti vicine al Sito di Inizio della Trascrizione (TSS) sono biologicamente più probabili che siano causali. Di conseguenza, nessun approccio singolo si è dimostrato uniformemente ottimale attraverso diversi geni, tessuti e ascendenze.

Metodologia: bsBSLMM
Gli autori propongono il modello lineare misto bayesiano a sparsità a blocchi (bsBSLMM), un'estensione gerarchica del classico modello lineare misto bayesiano a sparsità (BSLMM). Il modello decompone l'espressione genica standardizzata ($\mathbf{y}$) in una componente di effetto cis sparsa ($\mathbf{X}\boldsymbol{\beta}$), uno sfondo poligenico denso ($\mathbf{g}$) e rumore residuo ($\boldsymbol{\epsilon}$).

L'innovazione risiede in due specifiche strutture a priori imposte sulla componente sparsa:

1. Sparsità Spike-and-Slab a Blocchi LD: Invece di trattare i singoli SNP, gli SNP contigui sono partizionati in blocchi LD basati su una soglia di correlazione ($r^2 < 0,1$) o una dimensione massima (200 SNP). Una variabile indicatrice a livello di blocco ($z_b$) controlla ogni blocco. Se un blocco è inattivo ($z_b=0$), tutti gli effetti SNP all'interno di quel blocco sono deterministicamente impostati a zero. Ciò sposta l'unità di sparsità dal singolo SNP ai vicinati di LD.
2. Prior di Inclusione SNP Informata dal TSS: All'interno dei blocchi attivi, la probabilità che un SNP venga incluso ($\pi_j$) non è uniforme ma è modellata come una funzione della distanza dal TSS, ovvero $\pi_j = \sigma(\alpha + \kappa a_j)$, dove $a_j$ è la distanza SNP-TSS in megabasi e $\kappa$ è un coefficiente specifico per gene appreso congiuntamente all'interno della catena MCMC. Ciò consente al modello di favorire le varianti prossimali al TSS, lasciando che i dati determinino la forza di questa preferenza per ogni gene.

L'inferenza viene eseguita utilizzando un campionatore Metropolis-within-Gibbs. Per garantire la fattibilità computazionale, lo sfondo poligenico denso viene aggiornato tramite una rotazione GRM (diagonalizzazione della Matrice di Relazione Genetica), e gli indicatori a livello di blocco vengono aggiornati utilizzando un'approssimazione diagonale della verosimiglianza marginale, seguita da una scansione sequenziale all'interno del blocco che mantiene il pieno accoppppiamento LD.

Contributi Chiave

• Nuovo Prior Gerarchico: L'integrazione della struttura a blocchi LD e dei prior informati dalle annotazioni in un quadro unificato di modello misto bayesiano.
• Ablazione dei Componenti: Lo studio separa esplicitamente i contributi della sparsità a livello di blocco LD e del prior della distanza dal TSS, dimostrando che entrambi i componenti forniscono miglioramenti distinti e additivi.
• Benchmarking Comprensivo: Il metodo è valutato contro una vasta gamma di baseline (BSLMM, LASSO, BLUP, TIGAR elastic net e TIGAR Dirichlet-process regression) attraverso molteplici dataset e ascendenze.
• Validazione a Valle: L'utilità dei pesi appresi è validata non solo attraverso l'accuratezza della predizione, ma anche attraverso l'arricchimento funzionale nelle annotazioni regolatorie e il recupero di segnali rilevanti per le malattie nel TWAS.

Risultati

• Performance di Predizione: Nel dataset GEUVADIS di linee cellulari linfoblastoidi (LCL) di ascendenza europea (23.098 geni), bsBSLMM ha mantenuto il maggior numero di geni che superano i filtri di predizione rigorosi (3.518 geni), superando il modello BSLMM con matched-MCMC di 388 geni (+12,4%). Sui geni condivisi mantenuti, bsBSLMM ha mostrato un'accuratezza di predizione "held-out" accoppiata significativamente superiore (media $\Delta r = +0,0189$) rispetto a tutte le baseline.
• Contributi dei Componenti: Gli studi di ablazione hanno rivelato che lo strato di blocchi LD è stato il principale motore del miglioramento (aggiungendo 265 geni e $\Delta r = +0,0155$), mentre il prior della distanza dal TSS ha fornito un guadagno incrementale minore ma costante (aggiungendo 123 geni e $\Delta r = +0,0035$).
• Plausibilità Biologica: Le varianti selezionate da bsBSLMM hanno mostrato un più forte arricchimento nelle regioni regolatorie rilevanti per le LCL (picchi DNase e H3K27ac di GM12878) rispetto a BSLMM. Il coefficiente di distanza dal TSS appreso era negativo nel 98,8% dei geni, confermando la capacità del modello di recuperare il prior biologico secondo cui le varianti prossimali sono più probabilmente attive.
• Scoperta TWAS: In un'analisi TWAS per l'IBD, bsBSLMM ha recuperato segnali stabiliti (es. IL23R) e ha identificato 30 geni aggiuntivi con significatività genomica non rilevati da BSLMM.
• Validazione Cross-Ascendenza: In un dataset indipendente della Louisiana Osteoporosis Study (LOS) di coorte di sangue intero (sottocoorti Caucasian American e African American), bsBSLMM ha riprodotto il vantaggio di predizione, mantenendo il maggior numero di geni e superando le baseline nei confronti accoppiati. Il successivo TWAS per la densità minerale ossea (eBMD) ha recuperato pathway biologicamente rilevanti.
• Fattibilità Computazionale: L'implementazione Python+Numba ha richiesto un tempo mediano di 55,6 secondi per gene, mentre un'implementazione C++ ha ridotto questo tempo a 30,8 secondi, rendendolo computazionalmente paragonabile a BSLMM con matched-MCMC nonostante la maggiore complessità.

Significatività
Il lavoro sostiene che l'incorporazione della struttura dei blocchi LD e dei prior degli SNP biologicamente informati migliori la predizione dell'espressione cis e potenzia la scoperta a valle del TWAS. I risultati dimostrano che modellare l'organizzazione locale delle varianti correlate e sfruttare i prior della posizione genomica permette di identificare l'architettura regolatoria in modo più accurato rispetto ai modelli standard a sparsità o densità. Il metodo bilancia con successo il compromesso tra complessità del modello e potere predittivo, producendo pesi che sono non solo più predittivi, ma anche più biologicamente interpretabili e trasferibili tra diverse ascendenze e tratti. Gli autori concludono che bsBSLMM fornisce un prior bayesiano modulare che migliora sia la resa dei geni prevedibili sia la precisione delle loro stime di effetto.