A rotated multivariate linear mixed model for dual large-scale genome-wide association study

Sintesi Tecnica: Un Modello Lineare Misto Multivariato Ruotato per lo Studio di Associazione Genomica su Larga Scala a Doppia Dimensione

Problematica
Il documento affronta due colli di bottiglia critici nelle moderne Associazioni Genomiche Larghe (GWAS) che utilizzano dati su scala biobanca: il compromesso tra efficienza computazionale e potenza statistica nelle analisi multi-tratto, e l'incapacità dei metodi esistenti di scalare sia verso dimensioni campionarie massicce (es. >300.000 individui) che verso fenotipi ad alta dimensionalità (es. >10 tratti). Sebbene i Modelli Lineari Misti (LMM) controllino efficacemente la stratificazione della popolazione e la parentela del campione, gli strumenti allo stato dell'arte come GEMMA sono computazionalmente intrattabili per GWAS multi-tratto su larga scala. La dipendenza di GEMMA dall'ottimizzazione di Newton-Raphson per la stima della matrice di covarianza risulta in una complessità temporale di $O(nd^6)$, rendendola impraticabile per dataset con un $n$ elevato (dimensione del campione) e un $d$ elevato (numero di fenotipi). Inoltre, si nota che i metodi di riduzione della dimensionalità come l'Analisi delle Componenti Principali (PCA) sono subottimali, poiché scartare le componenti a bassa varianza può ridurre drasticamente la potenza nel rilevare varianti pleiotropiche.

Metodologia: RmvLMM
Gli autori propongono il Modello Lineare Misto multivariato Ruotato (RmvLMM), un framework statistico progettato specificamente per scenari "dual large-scale" (grande $n$ e grande $d$). La metodologia integra quattro innovazioni tecniche chiave:

1. Trasformazione di Rotazione Ortogonale:
   Inve Instead di analizzare direttamente i tratti correlati, RmvLMM impiega una serie di tre decomposizioni agli autovalori sequenziali per eseguire una rotazione ortogonale. Questa trasformazione decorrelata i molteplici fenotipi, convertendo il modello lineare misto multivariato (mvLMM) in $d$ modelli di regressione lineare univariati indipendenti. Questo passaggio evidenzia i segnali genetici significativi trattando al contempo i segnali non significativi come rumore, aumentando così la potenza di associazione.

2. Algoritmo Iterativo MoM-REML:
   Per stimare le matrici di covarianza poligenica ($V_b$) e di errore ($V_e$), gli autori hanno sviluppato un nuovo algoritmo iterativo veloce chiamato MoM-REML. Questo metodo integra il Metodo dei Momenti (MoM) con la Massima Verosimiglianza Restritta (REML). Derivando un'espressione in forma chiusa che caratterizza la relazione tra $V_b$ e $V_e$ all'interno del modello ruotato, l'algoritmo evita i calcoli costosi di inversione e determinante della matrice di covarianza completa $nd \times nd$. Ciò riduce la dipendenza della complessità temporale dalla dimensione fenotipica da $O(d^6)$ (in GEMMA) a $O(d^2)$, con una complessità complessiva di $O(nd^2)$.

3. Statistiche TOP2 e TOP2-O:
   Per i test di associazione, RmvLMM esegue test F sui modelli univariati ruotati. Introduce una nuova statistica di combinazione dei p-value, TOP2, che aggrega i due p-value più piccoli dei $d$ test univariati utilizzando il metodo di combinazione di Fisher. La distribuzione esatta di TOP2 è derivata analiticamente. Per campioni su scala biobanca dove la decomposizione completa agli autovalori della matrice di parentela $K$ è impraticabile, il metodo si estende a TOP2-O, una statistica omnibus. TOP2-O aggrega l'evidenza attraverso più gruppi di campioni disgiunti utilizzando una strategia "divide e combina". La sua distribuzione nulla è calibrata empiricamente e adattata utilizzando una distribuzione gamma generalizzata, evitando la modellazione esplicita delle correlazioni inter-gruppo.

4. Strategia Divide-and-Combined (Dividi e Combina):
   Per gestire dimensioni campionarie su scala biobanca, il dataset viene partizionato in gruppi disgiunti. L'evidenza di associazione viene valutata all'interno di ogni gruppo e combinata in un singolo test omnibus. Questo approccio evita la necessità di costruire o decomporre l'intera matrice di parentela $K$ del campione, consentendo una scalabilità quasi lineare con la dimensione del campione.

Risultati Chiave

• Efficienza Computazionale: In simulazioni con $n=5.000$ e $d=20$, RmvLMM è stato oltre 50 volte più veloce di GEMMA per uno screening completo dell'intero genoma (completando in <2% del tempo). Per la stima dei parametri, RmvLMM ha ottenuto un'accelerazione di circa 150 volte. A differenza di GEMMA, che non riesce a scalare oltre $n > 50.000$, RmvLMM ha dimostrato una scalabilità quasi lineare, processando coorti di 300.000 individui in circa 3,13 ore.
• Potenza Statistica: RmvLMM ha superato costantemente GEMMA in termini di potenza statistica in tutti gli scenari simulati. Con una soglia di significatività rigorosa ($\alpha = 1 \times 10^{-7}$), RmvLMM ha ottenuto una potenza superiore di oltre il 10% rispetto a GEMMA. Ad esempio, con $n=1.000$ e $d=10$, RmvLMM ha raggiunto potenze del 52,4%–73,1% rispetto al 40,5%–62,2% di GEMMA attraverso varie frequenze dell'allele minore.
• Tasso di Falsi Positivi (FPR): Entrambi i metodi hanno mantenuto FPR ben calibrati in tutte le impostazioni, confermando che l'aumento della potenza non è avvenuto a scapito di un'inflazione dei falsi positivi.
• Applicazione UK Biobank: Applicato a 26 tratti biochimici del sangue in 323.839 individui di ascendenza europea, RmvLMM ha identificato 1.325 SNP significativi mappati su 373 geni. Di questi, 309 geni avevano supporto nella letteratura pregressa. In particolare, l'analisi ha identificato 10 geni pleiotropici validati come target farmacologici (es. PCSK9, HMGCR), corrispondenti a 29 farmaci clinicamente sviluppati. L'arricchimento dei pathway ha confermato le associazioni con il metabolismo lipidico e l'omeostasi del colesterolo.

Significato e Rivendicazioni
Il documento afferma che RmvLMM fornisce un framework potente e scalabile che risolve il storico compromesso tra efficienza computazionale e potenza statistica nelle GWAS multi-tratto. Sfruttando la rotazione ortogonale e una strategia "divide-and-combined" parallelizzabile, esso consente l'analisi di campioni su scala biobanca con fenotipi ad alta dimensionalità, un compito precedentemente considerato computazionalmente impraticabile.

Gli autori posizionano RmvLMM come uno strumento per facilitare la dissezione dell'architettura genetica condivisa di tratti complessi e l'identificazione di varianti pleiotropiche. Notano che il metodo è particolarmente efficace per rilevare SNP associati ad almeno un fenotipo in un set, pur riconoscendo un limite: non identifica intrinsecamente quale specifico fenotipo guidi l'associazione, raccomandando un follow-up in due fasi (screening seguito da PheWAS) per una delineazione precisa. Il metodo è attualmente limitato ai tratti continui e non supporta ancora fenotipi binari o ordinali. Il software è rilasciato come open source per supportare ulteriori scoperte genetiche su larga scala.