Scalable penalized regression boosts accuracy and computational efficiency for single- and cross-ancestry polygenic prediction

Sintesi Tecnica: Regressione Penalizzata Scalabile per la Predizione Poligenica

Definizione del Problema
I punteggi poligenici (PGS) offrono un potenziale per la stratificazione precoce del rischio di malattie complesse, ma affrontano due limitazioni primarie: un compromesso tra la contrazione adattiva degli SNP e l'efficienza computazionale, e l'onnipresente bias eurocentrico nelle associazioni genome-wide (GWAS).

1. Compromesso Computazionale vs. Adattivo: I metodi bayesiani esistenti (ad es., LDpred2, PRS-CS) utilizzano prior flessibili per la contrazione adattiva ma si affidano a procedure Markov Chain Monte Carlo (MCMC), che comportano elevati costi computazionali. Al contrario, i metodi di regressione penalizzata (ad es., Lassosum) sono computazionalmente efficienti ma applicano spesso una contrazione non adattiva che non varia con le distribuzioni degli effetti sottostanti.
2. Bias di Ancestralità e Trasferibilità: La maggior parte delle GWAS è condotta in popolazioni europee (EUR). I PGS addestrati su dati EUR perdono spesso oltre il 50% della loro accuratezza quando applicati a popolazioni non europee (ad es., est-asiatiche, africane, sud-asiatiche) a causa dell'eterogeneità nei pesi degli effetti genetici, nelle frequenze alleliche e nei modelli di linkage disequilibrium (LD). Inoltre, i metodi cross-ancestry soffrono spesso di elevati costi computazionali e mancano di una rigorosa validazione in coorti est-asiatiche.

Metodologia
Gli autori propongono un framework di regressione penalizzata scalabile che integra penalità spike-and-slab LASSO all'interno di un modello ensemble per ottenere sia una contrazione adattiva che l'efficienza computazionale. Il framework consiste in due metodi:

1. Spike-and-Slab Lassosum (SSL): Progettato per la predizione a singola ancestralità.

   • Meccanismo: Sostituisce la penalità costante del LASSO standard con una penalità adattiva guidata dai dati derivata da un prior spike-and-slab. Questo prior modella gli effetti SNP come un mix di una "slab" (distribuzione di Laplace con $\lambda_1$ piccolo per effetti grandi) e una "spike" (distribuzione di Laplace con $\lambda_0$ grande per effetti piccoli).
   • Ottimizzazione: Il modello massimizza una verosimiglianza penalizzata utilizzando algoritmi di discesa coordinata. Approssima la verosimiglianza utilizzando le statistiche riassuntive GWAS e una matrice LD di riferimento.
   • Apprendimento Ensemble: Invece di selezionare un singolo set ottimale di parametri di tuning, SSL genera un set di PGS attraverso una griglia di parametri ($\lambda_0, \lambda_1, \theta, s$) e li combina utilizzando l'algoritmo di apprendimento ensemble SuperLearner (utilizzando LASSO, ridge o regressione lineare) per produrre il punteggio finale.

2. Prior Spike-and-Slab Lassosum (pSSL): Un'estensione per la predizione cross-ancestry.

   • Meccanismo: pSSL incorpora informazioni a priori da una popolazione ausiliaria (ad es., EUR) nel modello della popolazione target tramite un iperparametro $\eta \in [0,1]$. Ciò viene ottenuto aggiungendo un termine di regolarizzazione che funge da componente di transfer learning, imponendo efficacemente un prior Gaussiano centrato sul vettore di predizione ausiliario.
   • Requisiti dei Dati: A differenza di alcuni metodi cross-ancestry, pSSL richiede solo le statistiche riassuntive della popolazione ausiliaria e non richiede dati a livello individuale o matrici LD della popolazione ausiliaria, solo di quella target.
   • Ensemble: Similmente a SSL, genera molteplici modelli attraverso una griglia di parametri (incluso $\eta$) e li combina tramite apprendimento ensemble.

Contributi Chiave

• Innovazione Algoritmica: L'integrazione dello spike-and-slab LASSO in un framework di regressione penalizzata consente una contrazione adattiva (preservando i segnali forti e sopprimendo quelli deboli) senza il carico computazionale dell'MCMC.
• Scalabilità: I metodi utilizzano la discesa coordinata e la decomposizione in blocchi LD, riducendo significativamente il tempo di esecuzione e l'uso della memoria rispetto agli approcci bayesiani.
• Framework Cross-Ancestry: pSSL fornisce una soluzione pratica per sfruttare le ampie statistiche riassuntive GWAS EUR per migliorare la predizione in popolazioni sottorappresentate senza richiedere complessa modellazione LD multi-popolazione o dati individuali ausiliari.

Risultati

• Simulazioni (Singola-Ancestria): In 11 scenari di simulazione che coprono diverse architetture genetiche (sparse, infinitesimali e ibride), SSL si è classificato primo nel 54,5% degli scenari e secondo nel 18,2%. Ha ottenuto un miglioramento medio di $R^2$ del 39,7% rispetto a C+T, del 10,2% rispetto a Lassosum e del 4,5% rispetto a PRS-CS.
• Simulazioni (Cross-Ancestry): In 72 setting di simulazione cross-ancestry, pSSL si è classificato primo nel 50,0% degli scenari, superando PRS-CSx (27,8%), CT-SLEB (18,1%) e PROSPER (2,7%). Il vantaggio è stato più pronunciato nelle popolazioni africane (AFR), dove pSSL ha ottenuto guadagni medi di $R^2$ del 14,4% rispetto a CT-SLEB.
• Analisi di Dati Reali (UK Biobank & Dongfeng-Tongji):
  • Singola-Ancestria: Su 32 tratti complessi, SSL ha raggiunto l'accuratezza ottimale per il 90,6% (UKB) e l'84,4% (DFTJ) dei tratti. Ha migliorato l' $R^2$ in media del 7,8% (UKB) e del 10,4% (DFTJ) rispetto a PRS-CS.
  • Cross-Ancestry: Nella coorte DFTJ (target est-asiatico), pSSL si è classificato primo per il 71,9% dei tratti, ottenendo un guadagno medio di $R^2$ del 12,3% rispetto a PRS-CSx. Ha superato notevolmente altri metodi per i tratti lipidici e dei globuli rossi.
• Efficienza Computazionale:
  • SSL ha ridotto il tempo di esecuzione a circa un terzo di PRS-CS (32,5 min vs. 120,7 min) e ha utilizzato meno di un quinto della memoria (9,0 GB vs. 54,3 GB).
  • pSSL ha richiesto circa 1/6 del tempo di esecuzione di PRS-CSx (56,3 min vs. 319,0 min) e meno di 1/4 della memoria.

Significatività e Rivendicazioni
L'articolo sostiene che SSL e pSSL colmano con successo il divario tra la scalabilità computazionale della regressione penalizzata e la contrazione adattiva ai dati dei metodi bayesiani.

• Equità: Dimostrando prestazioni superiori nelle popolazioni est-asiatiche e africane, in particolare attraverso il framework pSSL, gli autori sostengono che questi metodi abbiano un grande potenziale per promuovere l'applicazione equa dei PGS in popolazioni diverse.
• Praticità: La capacità di utilizzare le statistiche riassuntive da popolazioni ausiliarie senza richiedere i loro dati individuali o le loro matrici LD rende pSSL uno strumento pratico per migliorare la predizione in gruppi sottorappresentati dove le GWAS su larga scala sono scarse.
• Limitazioni: Gli autori osservano che la loro analisi è stata limitata agli SNP HapMap3, il che potrebbe sottostimare le prestazioni nei gruppi non europei. Inoltre, l'approccio ensemble richiede campioni di tuning sufficienti (1.500–3.000), e l'attuale framework pSSL è limitato all'analisi di due popolazioni, sebbene ciò sia presentato come una scelta pragmatica date le attuali configurazioni dei dati.

Gli autori concludono che questi metodi fanno avanzare il campo consentendo una predizione dei PGS accurata, efficiente e scalabile, sia a singola che a cross-ancestria.