Robust Mendelian Randomization Estimation using Weighted Quantile Regression

1. 연구 배경 및 문제 제기 (Problem)

**멘델 무작위화 (Mendelian Randomization, MR)**는 관측 데이터를 기반으로 노출 (Exposure) 과 결과 (Outcome) 간의 인과 관계를 규명하기 위해 유전적 변이 (일반적으로 SNP) 를 도구 변수 (Instrumental Variable, IV) 로 사용하는 통계적 방법론입니다. 그러나 MR 연구의 타당성은 도구 변수가 충족해야 하는 세 가지 핵심 가정 (A1: 노출과 연관, A2: 결과와 조건부 독립, A3: 교란변수와 독립) 에 크게 의존합니다.

최근 연구들은 유전적 변이의 **범용적 다면성 (Pervasive Pleiotropy)**을 보여주며, 많은 변이가 노출을 매개하지 않고 결과에 직접 영향을 미치거나 (비상관 다면성, A2 위반), 공유된 유전적 교란변인을 통해 노출과 결과에 동시에 영향을 미치는 (상관 다면성, A3 위반) 경우가 흔함을 시사합니다.

기존의 MR 방법론들은 다음과 같은 한계가 있습니다:

• IVW (Inverse-Variance Weighted): 모든 IV 가 유효할 때만 일관된 추정을 제공합니다.
• 가중치 중앙값 (Weighted Median): 유효한 IV 가 전체의 50% 이상일 때만 일관성을 가집니다.
• 혼합 모델 (Mixture Models) 및 Lasso 기반 방법: 유효하지 않은 IV 를 식별하고 제거하는 데 의존하지만, 다면성 효과가 약하거나 IV 가 많을 경우 계산 비용이 크거나 수렴이 불안정할 수 있습니다.
• InSIDE 가정 위반: 많은 방법들이 다면성 효과가 SNP-노출 효과와 무관하다는 (InSIDE) 가정을 필요로 하는데, 이는 실제 데이터에서 자주 위배됩니다.

따라서 상관 및 비상관 다면성 모두에 강건하며, 유효한 IV 가 50% 미만일지라도 (다수 유효 가정 대신 '다수 유효' 가정, 즉 유효 IV 가 가장 큰 그룹을 이룰 때) 일관된 인과 효과를 추정할 수 있는 새로운 방법론이 필요합니다.

2. 제안된 방법론: MR-Quantile (Methodology)

저자들은 **가중치 양분 회귀 (Weighted Quantile Regression, WQR)**에 기반한 새로운 MR 방법론인 MR-Quantile을 제안합니다.

핵심 개념

1. 비대칭 라플라스 분포 (Asymmetric Laplace Distribution, ALD) 활용:

   • 비율 추정치 ($\hat{r}_i = \hat{\beta}_{Yi} / \hat{\beta}_{Xi}$) 가 ALD 를 따른다고 가정합니다.
   • ALD 는 꼬리가 두꺼워 (heavy-tailed) 다면성으로 인한 이상치 (outliers) 에 강건하며, 우도 기반 추론과 WQR 을 자연스럽게 연결합니다.
   • ALD 의 위치 매개변수 ($\theta$) 는 $\tau$-번째 양분수에 해당합니다.

2. 데이터 기반 최적 양분수 선택:

   • 기존 가중치 중앙값 추정기는 $\tau=0.5$를 고정하지만, MR-Quantile 은 **최대우도법 (MLE)**을 통해 데이터에서 최적의 양분수 $\hat{\tau}$와 인과 효과 $\hat{\theta}$를 동시에 추정합니다.
   • 이는 유효하지 않은 IV 의 비율을 사전에 알 필요가 없으며, 유효 IV 들이 형성하는 주된 모드 (mode) 를 타겟팅하도록 $\tau$를 자동 조정합니다.

3. 수식적 접근:

   • 로그 우도 함수를 최대화하여 $\theta, \lambda$ (스케일), $\tau$ (왜도) 를 반복적으로 업데이트합니다 (Algorithm 1).
   • 최종 추정치 $\hat{\theta}$는 가중치 $w_i$ (역분산 또는 역표준오차) 를 가진 $\hat{\tau}$-번째 가중치 양분수가 됩니다.
   • 신뢰구간 추정을 위해 **파라메트릭 부트스트랩 (Parametric Bootstrap)**을 사용하여 표준오차를 계산합니다.

4. 가정:

   • 다수 유효 가정 (Plurality Valid Assumption): 유효한 IV 들이 공유하는 비율 추정치의 모드가 가장 큰 그룹을 이룬다면, MR-Quantile 은 일관된 추정치를 제공합니다. 이는 유효 IV 가 50% 미만이어도 작동할 수 있음을 의미합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 강건한 추정량 개발: 상관 및 비상관 다면성 모두에 강건하며, InSIDE 가정이 위배된 상황에서도 유효한 IV 가 가장 큰 그룹 (다수 유효) 이라면 일관된 인과 효과를 추정할 수 있는 MR-Quantile 을 제안했습니다.
2. 자동화된 양분수 선택: 유효하지 않은 IV 의 비율에 대한 사전 가정 없이, ALD 기반의 우도 함수를 통해 최적의 양분수 $\tau$를 데이터에서 자동으로 추정하는 절차를 개발했습니다.
3. 계산 효율성: 혼합 모델 기반 방법들 (MR-Mix, MR-ContMix 등) 에 비해 계산 속도가 매우 빠르며, 대규모 SNP 데이터셋이나 반복적인 분석 (예: TWAS) 에 적합합니다.
4. 실증적 검증: 다양한 시나리오 (강한/약한 다면성, 상관/비상관 다면성) 에 대한 광범위한 모의실험과 실제 데이터 적용을 통해 방법론의 우수성을 입증했습니다.

4. 연구 결과 (Results)

모의실험 (Simulation Studies)

• 강한 다면성 효과: 상관 다면성이 존재하고 InSIDE 가정이 위배된 상황에서도 MR-Quantile 은 Type I 오류를 적절히 통제하며, MR-Egger, IVW, MR-Weighted-Median 등 기존 방법들보다 낮은 편향 (Bias) 과 RMSE 를 보였습니다.
• 약한 다면성 효과 (Weak Invalid IVs): 다면성 효과가 작아 유효하지 않은 IV 를 식별하기 어려운 상황에서, 기존 방법들 (cML-MA-BIC, MR-Lasso 등) 은 Type I 오류가 급증하거나 편향이 발생했습니다. 반면, MR-Quantile 은 Type I 오류를 명목 수준 (0.05) 에 가깝게 유지하면서도 높은 검정력 (Power) 을 보였습니다.
• 계산 시간: SNP 수가 100 일 때, MR-Quantile 은 cML-MA-BIC-DP 보다 약 120 배 빠르게 실행되었습니다.

실제 데이터 적용 (Resting Heart Rate $\to$ Atrial Fibrillation)

• 데이터: VA Million Veteran Program (RHR, 425,748 명) 과 유럽계 AF 메타분석 (228,926 명) 의 요약 통계 사용.
• 결과: 104 개의 독립적인 SNP 를 사용하여 MR-Quantile 을 적용한 결과, 휴식 심박수 (RHR) 의 1 표준편차 증가는 심방세동 (AF) 위험 감소 (RR = 0.796, 95% CI: 0.728-0.870) 와 연관됨을 발견했습니다.
• 해석: 이는 기존 MR 연구들과 일치하며, RHR 증가가 AF 에 보호 효과를 가질 수 있음을 시사합니다. 또한, 다양한 MR 방법들 간의 결과 일관성을 확인했습니다.

5. 의의 및 결론 (Significance)

이 논문은 MR 연구에서 흔히 발생하는 다면성 (Pleiotropy) 문제를 해결하기 위해 통계적으로 강건하고 계산적으로 효율적인 새로운 프레임워크를 제시했습니다.

• 실용성: 유효한 IV 가 50% 미만인 상황에서도 신뢰할 수 있는 인과 추정이 가능하여, 실제 유전체 데이터에서 흔히 발생하는 복잡한 다면성 구조를 가진 연구에 적용 가능합니다.
• 확장성: 계산 효율성이 뛰어나 Transcriptome-wide Association Studies (TWAS) 와 같이 수만 개의 유전자 - 표현형 쌍을 반복적으로 분석해야 하는 대규모 연구에 이상적입니다.
• 한계 및 향후 과제: 현재 단일 노출에 국한되어 있으며, ALD 의 비미분 가능성으로 인한 점근적 분산 도출의 어려움으로 인해 부트스트랩에 의존하고 있습니다. 향후 다변량 MR 확장 및 중첩된 샘플 (overlapping samples) 처리 등을 위한 연구가 필요하다고 저자들은 언급했습니다.

요약하자면, MR-Quantile은 다면성으로 인한 편향을 효과적으로 줄이면서도 계산 비용을 절감하여, 현대 유전역학 연구에서 인과 관계 추정의 신뢰성을 높이는 강력한 도구로 평가됩니다.