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

技術要約：cis発現予測のためのアノテーション情報を活用したブロック疎なベイズ混合モデル

問題提起
遺伝子型に基づくcis-発現予測は、トランスクリプトーム関連解析（TWAS）の重み付けを構築する上で極めて重要である。しかし、既存の手法は統計的および生物学的な二重の課題に直面している。すなわち、参照トランスクリプトームパネルには通常数百人の個人が含まれる一方で、cis-ウィンドウ内には数千もの相関したバリアントが含まれることがある。この高次元・低サンプル数の状況では、強力な正則化が必要となる。既存のアプローチは、一般的に2つのカテゴリーに分類される。一つは、SNPを交換可能として扱う疎なペナルティ付き回帰（LASSOやエラスティックネットなど）、もう一つは、信号を広く分散させる高密度混合モデル（BLUPなど）である。いずれのクラスも、相関したcisバリアントの局所的な構成、具体的には、制御信号が局所的なハプロタイプ近傍（連鎖不平衡：LDブロック）内に発生することや、転写開始点（TSS）に近いバリアントが生物学的に因果関係を持つ可能性が高いという事実を明示的にモデル化していない。その結果、多様な遺伝子、組織、および祖先において一様に最適であると証明された手法は存在しない。

手法：bsBSLMM
著者らは、標準的なベイズ疎線形混合モデル（BSLMM）の階層的拡張である**bsBSLMM（block-sparse Bayesian Sparse Linear Mixed Model）*を提案している。本モデルは、標準化された遺伝子発現（$\mathbf{y}$）を、疎なcis*-効果成分（$\mathbf{X}\boldsymbol{\beta}$）、高密度なポリジェニック背景（$\mathbf{g}$）、および残差ノイズ（$\boldsymbol{\epsilon}$）に分解する。

革新性は、以下の2つの特定の事前分布構造を疎な成分に課している点にある：

1. LDブロック・スパイク・アンド・スラブ疎性： SNPを個別に扱うのではなく、連続するSNPを相関閾値（$r^2 < 0.1$）または最大サイズ（200 SNP）に基づいてLDブロックに分割する。ブロックレベルの指標変数（$z_b$）が各ブロックをゲートする。ブロックが不活性な場合（$z_b=0$）、そのブロック内のすべてのSNP効果は決定論的にゼロに設定される。これにより、疎性の単位が個々のSNPからLD近傍へとシフトする。
2. TSS情報を活用したSNP包含事前分布： 有効なブロック内において、SNPが含まれる確率（$\pi_j$）は一様ではなく、TSSからの距離としてモデル化される。具体的には、$\pi_j = \sigma(\alpha + \kappa a_j)$ であり、ここで $a_j$ はTSSからの距離（メガベース単位）、$\kappa$ はMCMC（マルコフ連鎖モンテカルロ法）内で共同学習される遺伝子固有の係数である。これにより、モデルはTSS近傍のバリアントを優先させつつ、各遺伝子に対するその好みの強さをデータによって決定することを可能にする。

推論は、メトロポリス・ウィズイン・ギブス・サンプラーを用いて行われる。計算の実現可能性を確保するため、高密度なポリジェニック背景はGRM回転（遺伝的関係行列の対角化）を介して更新され、ブロックレベルの指標は周辺尤度の対角近似を用いて更新された後、完全なLD結合を保持したままの逐次的なブロック内SNPスキャンが行われる。

主な貢献

• 新規の階層的事前分布： LDブロック構造とアノテーション情報を活用した事前分布を、統一されたベイズ混合モデルの枠組みに統合した。
• コンポーネントの切除実験（アブレーション）： 本研究は、ブロックレベルの疎性とTSS距離事前分布の寄与を明示的に分離し、両方のコンポーネントが明確かつ加法的な改善をもたらすことを示した。
• 包括的なベンチマーキング： 本手法は、複数のデータセットおよび祖先に対し、幅広いベースライン（BSLMM、LASSO、BLUP、TIGARエラスティックネット、およびTIGARディリクレ過程回帰）と比較評価されている。
• ダウンストリームでの検証： 学習された重みの有用性は、予測精度だけでなく、制御アノテーションにおける機能的濃縮、およびTWASにおける疾患関連シグナルの回収によって検証されている。

結果

• 予測性能： ヨーロッパ系リンホブラスト様細胞株（LCL）のGEUVADISデータセット（23,098遺伝子）において、bsBSLMMは厳格な予測フィルターを通過する遺伝子数を最多（3,518遺伝子）とし、一致したMCMCによるBSLMMを388遺伝子上回った（+12.4%）。共通の保持遺伝子において、bsBSLMMはすべてのベースラインと比較して、有意に高いペア保持アウトオブサンプル予測精度（平均 $\Delta r = +0.0189$）を示した。
• コンポーネントの寄与： 切除実験により、LDブロック層が改善の主要な要因（265遺伝子の追加および $\Delta r = +0.0155$）であり、TSS距離事前分布は小さくも一貫した増分的な利得（123遺伝子の追加および $\Delta r = +0.0035$）を提供することが明らかになった。
• 生物学的妥当性： bsBSLMMによって選択されたバリアントは、BSLMMと比較して、LCLに関連する制御領域（GM12878 DNaseおよびH3K27acピーク）において強い濃縮を示した。学習されたTSS距離係数は98.8%の遺伝子で負の値となり、近接するバリアントの方が活性である可能性が高いという生物学的事前分布をモデルが回収できることを裏付けた。
• TWASによる発見： IBD（炎症性腸疾患）のTWAS解析において、bsBSLMMは確立されたシグナル（例：IL23R）を回収し、BSLMMでは検出できなかった追加の30のゲノムワイド有意遺伝子を特定した。
• 交差祖先検証： 独立したルイジアナ骨粗鬆症研究（LOS）の全血コホート（白人系アメリカ人およびアフリカ系アメリカ人サブコホート）において、bsBSLMMは予測の優位性を再現し、最も多くの遺伝子を保持し、ペア比較においてベースラインを上回った。下流の骨密度（eBMD）に関するTWASは、生物学的に関連する経路を回収した。
• 計算の実現可能性： Python+Numba実装では、遺伝子あたりの中央値が55.6秒であり、C++実装ではこれを30.8秒に短縮した。これにより、追加された複雑性にもかかわらず、一致したMCMCによるBSLMMと同等の計算量を実現した。

意義
本論文は、LDブロック構造と生物学的に情報に基づいたSNP事前分布を組み込むことが、cis-発現予測を改善し、ダウンストリームのTWAS発見を強化すると主張している。結果は、相関したバリアントの局所的な構成をモデル化し、ゲノム位置の事前分布を活用することで、標準的な疎なモデルや高密度モデルよりも正確に制御構造を特定できることを示している。本手法は、モデルの複雑さと予測力のトレードオフをうまく制御しており、得られる重みは予測精度が高いだけでなく、より生物学的に解釈可能であり、多様な祖先や形質間で転移可能である。著者らは、bsBSLMMが、予測可能な遺伝子の収穫量と、その効果推定の精度を共に向上させるモジュール式のベイズ事前分布を提供すると結論付けている。