技術要約：バイオバンク規模の高次元オミクスデータに対する単変量ガイド型スパース回帰

問題提起

本論文は、特にUKバイオバンクのようなバイオバンク規模のデータセットを用いたポリジェニック・リスク・スコア（PRS）構築の文脈において、超高次元ゲノムデータに対するスパース回帰を行う際の課題に対処している。このような設定では、予測因子（SNP、$p$）の数が観測値（$n$）を大幅に上回り、しばしば $p > 1,000,000$ かつ $n \approx 500,000$ となる。

標準的な回帰手法は、この領域において以下の3つの核心的な困難に直面する：

1. 計算上の実現不可能性： 数百万のSNPと数十万人の個人を用いた多変量モデルの適合は、ハイパーパラメータ・チューニングのための交差検証を用いる場合、計算量的に極めて困難である。
2. 相関のある予測因子（連鎖不平衡）： SNPは高い相関を持つブロック内で存在している。標準的な多変量手法は、スパースな代表集合を選択するか、あるいは多くの相関する変数に効果を分散（「スメアリング」）させるかの決定に苦慮することが多く、結果として高密度で解釈が困難なモデルを導く。
3. データのプライバシーと統合： 生物医学研究において、個人の生データはプライバシー規制により制限されることが多い。研究者は、外部コホート（例：FinnGen）からの要約統計量に依存することが多く、この外部情報を統一されたスパース多変量モデルに統合することは困難である。

歴史的に、PRS構築は、単変量ゲノムワイド関連解析（GWAS）とその後のポストホックな収縮または選択手法（例：clumping and thresholding、LDpred、PRS-CS）という2段階のパイプラインに依存してきた。著者らは、このアプローチは最適ではないと主張している。なぜなら、第1ステップではSNPを孤立して扱うことで相関するSNPの近傍全体を持ち上げてしまい、第2ステップではこの二重カウントを修正しようとするため、結果として効果量が平坦化された高密度な予測因子を生んでしまうからである。

手法：Omni-adapted uniLasso

著者らは、Chatterjeeら [2025] によって導入された**単変量ガイド型スパース回帰（uniLasso）**を、バイオバンク規模のデータ向けにスケーラブルに適合させた手法を提案している。この手法は、単変量の係数を利用して多変量の選択をガイドする、2段階のペナルティ付き回帰手順である。

アルゴリズム

1. 第1段階：単変量の事前計算：
   各SNP $j$ について、単変量の切片（$\hat{\beta}_{0j}$）および傾き（$\hat{\beta}_j$）を計算する。極めて重要な点は、特徴行列 $F$ を作成するために、Leave-One-Out (LOO) 適合値（$\hat{y}^{-i}_{ij}$）を算出することである。生の推定値ではなくLOO値を使用することで、後続の選択ステップが、インサンプル（標本内）のノイズではなくアウトオブサンプル（標本外）の予測信号に依存するように強制する。

   • 最適化： この規模を扱うために、著者らはこれらの計算をベクトル化し、Adelie Pythonパッケージを使用してCPUコア間で並列化を行った。

2. 第2段階：ガイド型スパース回帰：
   $F$ を特徴量として用いて応答 $y$ を予測する際、非負Lassoを適合させる。

   • 符号制約： この段階の係数 $\theta_j$ は非負に制約される。最終的な多変量係数は $\hat{\gamma}_j = \hat{\beta}_j \hat{\theta}_j$ として回収される。これにより、最終的な係数の符号が単変量係数の符号（またはゼロ）と一致することを保証し、解釈を複雑にする符号の反転を防ぐ。
   • バイナリ応答の処理： バイナリの結果に対しては、ペナルティ付きロジスティック回帰を使用する。ロジスティック損失には閉形式のLOO解が存在しないため、著者らはRadおよびMaleki [2020] が提案したLOO予測の近似を用いた反復再重み付け最小二乗法（IRLS）を採用している。

スケーラビリティと安定性のための修正

uniLassoをUKバイオバンクに対して実行可能にするため、著者らはいくつかの重要なエンジニアリングおよび統計的修正を導入した：

• データ分割： $k$-分割交差検証（$p \gg n$ の場合にはコストが高すぎるため）の代わりに、正則化パラメータ $\lambda$ をチューニングするために70/10/20の訓練/検証/テスト分割を使用した。
• MAFフィルタリング： 微量アレル頻度（MAF）が0.0005未満のSNPは、予測力をほとんど提供せず不安定性の原因となるため除外した。
• 分散の安定化： 低分散のSNP（ただしMAF $\ge$ 0.0005）については、単変量傾きの計算における分母（$S_{xx}$）を、$S_{xx}$ 値の経験的分布の第5パーセンタイルを加えることで正則化した。これにより、ほぼ定数に近い列における係数の爆発を防いでいる。
• 外部スコアの統合（uniL별Lasso ES）： 生データへのアクセスなしに外部データ（例：FinnGen）を組み込むために、ペナルティ項を適応させた。第2段階の回帰における $\ell_1$ ペナルティにおいて、外部の単変量係数（$\tilde{\beta}_j$）を使用して適応重み（$|\tilde{\beta}_j|$）および符号制約を定義する。これは、訓練データからLOO推定値を計算するのではなく、外部の情報を利用するものである。

主な貢献

1. スケーラブルなuniLassoの実装： 個別レベルのデータを用いて、バイオバンク規模のデータ（$p \approx 10^6, n \approx 5 \times 10^5$）を扱うことができる初のuniLassoの適応版を提示し、元の定式化におけるメモリと時間の障壁を克服した。
2. 外部データの統合： 外部の要約統計量をスパースな多変量モデルに統合するための新しいフレームワークを提示し、生データの共有を必要とせずに予測精度を向上させつつ、プライバシーが制限された環境での利用を可能にした。
3. バイナリ応答への拡張： ロジスティック回帰とIRLSベースの近似を用いた、バイナリ表現型へのアルゴリズムの拡張。
4. UKバイオバンクによる実証的検証： 連続的な特性（身長、BMI）およびバイナリの特性（CHD、喘息）の4つの表現型について、標準的なLasso、PRS-CS、およびその他のベースラインと比較した包括的な評価。

結果

著者らは、連続的な特性（身長、BMI）およびバイナリの特性（CHD、喘息）の両方について、UKバイオバンク（白人英国人に限定）を用いて手法を評価した。

• スパース性とパフォーマンス：
  • uniLasso は、標準的な Lasso（例：身長の $R^2$: 0.707 vs. 0.713）と同等の予測性能を達成したが、選択される変数は大幅に少なかった。
  • 具体的には、uniLassoは身長においてLassoと比較して38%少ないSNPを、BMIにおいては43%少ないSNPを選択したが、$R^2$ の低下は無視できる程度であった（それぞれ0.006および0.016）。
  • CHDのようなバイナリの形質については、uniLassoはLassoよりも50%以上スパースであり、テスト誤差の増加はわずか0.001であった。
• 解釈性：
  • 重要な知見は、符号の変化の排除である。標準的なLassoでは、相関（例：身長の係数の12%）によって係数の符号が反転することがあるが、uniLassoは構造上、すべての非ゼロ係数が単変量効果の符号を保持することを保証し、解釈性を大幅に向上させている。
• 外部スコア（uniLasso ES）：
  • 外部スコア（FinnGen）を統合した uniLasso ES は、4つのすべての表現型において最高の予測性能を示した。
  • 身長の場合、uniLasso ESは $R^2$ 0.716を達成した（Lassoの0.713に対し）。
  • 外部データを使用しているにもかかわらず、モデルはLassoやPRS-CSよりも有意にスパースなままであった。
• PRS-CSとの比較：
  • 連続的な特性において、高密度なベイズ手法である PRS-CS は、すべてのLassoベースの手法を下回り、CHDにおいてのみそれらに匹敵した。PRS-CSは高密度なモデル（すべてのSNPを使用）を生成したが、uniLasso ESは高いスパース性を維持した。

意義と主張

本論文は、uniLasso が、バイオバンク規模のゲノムデータに対して、予測精度、スパース性、および解釈性の優れたトレードオフを提供すると主張している。

• 「無限小」の視点への挑戦： 結果は、すべての変数が非ゼロの効果を持つと仮定する厳格な「パンゲノミック」または無限小モデル（PRS-CSやLDpred-infなど）に対する実証的な対抗軸を提供している。著者らは、実用的な予測においては、少数の数万の変数がほとんどのシグナルを捉えるという「スパース・ポリジェニック」な見解が、より十分かつ堅牢であると主張している。
• メカニズムの明快さ： 相関するLDブロック全体に重みを分散させるのではなく、真の因果変数の近くに重みを集中させることで、uniLassoは非因果的なタグSNPからの「ノイズ」の寄与を減少させ、個人のリスク推定の堅牢性を向上させる可能性がある。
• 実用的な有用性： 本手法は、従来の2段階の「GWAS＋PRS」パイプラインの限界を超え、個別レベルのバイオバンクデータから直接多変量モデルを適合させることが可能であることを示している。外部の要約統計量の統合は、プライバシーが制限された環境におけるこの有用性をさらに高めている。

著者らは、高密度なモデルは要約統計量のみが利用可能な場合には価値があるものの、解釈性と計算効率が最優先される設定においては、uniLassoのようなスパース多変量アプローチが非常に効果的であると結論付けている。