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

기술 요약: cis-발현 예측을 위한 주석 정보 기반 블록 희소 베이지안 모델링

문제 정의
유전형 기반의 cis-발현 예측은 전사체 연관 분석 연구(TWAS) 가중치를 구축하는 데 필수적이다. 그러나 현재의 방법론들은 통계적 및 생물학적 이중 과제에 직면해 있다: 참조 전사체 패널은 일반적으로 수백 명의 개인을 포함하는 반면, cis-윈도우는 수천 개의 상관된 변이들을 포함할 수 있다. 이러한 고차원 저표본(high-dimensional, low-sample) 환경은 강력한 규제를 요구한다. 기존 방식은 크게 두 가지 범주로 나뉜다: 변이를 교환 가능하게 취급하는 희소 페널티 회귀(예: LASSO, elastic net)와 신호를 넓게 분산시키는 밀집 혼합 모델(예: BLUP)이다. 어느 범주도 상관관계가 있는 cis 변이들의 국소적 구조, 즉 규제 신호가 국소적 하플로타입 이웃(연관 불평형(LD) 블록) 내에서 발생하며 전사 시작 부위(TSS) 근처의 변이가 생물학적으로 인과적일 가능성이 높다는 사실을 명시적으로 모델링하지 못한다. 결과적으로, 어떤 단일 접근법도 다양한 유전자, 조직 및 혈통에 대해 균일하게 최적임을 입증하지 못했다.

방법론: bsBSLMM
저자들은 표준 베이지안 희소 선형 혼합 모델(BSLMM)의 계층적 확장인 **블록 희소 베이지안 희소 선형 혼합 모델(bsBSLMM)**을 제안한다. 이 모델은 표준화된 유전자 발현($\mathbf{y}$)을 희소한 cis-효과 성분($\mathbf{X}\boldsymbol{\beta}$), 밀집된 다유전적 배경($\mathbf{g}$), 그리고 잔차 노이즈($\boldsymbol{\epsilon}$)로 분해한다.

혁신은 희소 성분에 부과된 두 가지 특정 사전 구조에 있다:

1. LD-블록 스파이크 앤 슬래브 희소성(LD-Block Spike-and-Slab Sparsity): 개별 SNP를 처리하는 대신, 연속된 SNP들을 상관관계 임계값($r^2 < 0.1$) 또는 최대 크기(200개 SNP)를 기준으로 LD 블록으로 분할한다. 블록 수준의 지시 변수($z_b$)가 각 블록을 제어한다. 만약 블록이 비활성 상태이면($z_b=0$), 해당 블록 내의 모든 SNP 효과는 결정론적으로 0으로 설정된다. 이는 희소성의 단위를 개별 SNP에서 LD 이웃으로 전환한다.
2. TSS 정보 기반 SNP 포함 사전 확률(TSS-Informed SNP Inclusion Prior): 활성화된 블록 내에서, SNP가 포함될 확률($\pi_j$)은 균일하지 않으며 TSS로부터의 거리에 대한 함수로 모델링된다. 구체적으로, $\pi_j = \sigma(\alpha + \kappa a_j)$이며, 여기서 $a_j$는 메가베이스 단위의 SNP-TSS 거리이고, $\kappa$는 MCMC 체인 내에서 공동으로 학습되는 유전자 특이적 계수이다. 이를 통해 모델은 TSS 근접 변이를 선호하도록 하면서도, 각 유전자에 대한 이러한 선호의 강도는 데이터가 결정하도록 한다.

추론은 Metropolis-within-Gibbs 샘플러를 사용하여 수행된다. 계산 효율성을 보장하기 위해, 밀집된 다유전적 배경은 GRM 회전을 통해 업데이트되며(유전 관계 행렬을 대각화), 블록 수준의 지시 변수는 주변 한계 가능도(marginal likelihood)에 대한 대각 근사를 사용하여 업데이트된 후, 전체 LD 결합을 유지하는 순차적 블록 내 SNP 스캔을 거친다.

주요 기여

• 새로운 계층적 사전 구조: LD-블록 구조와 주석 정보 기반 사전 확률을 통합된 베이지안 혼합 모델 프레임워크에 통합하였다.
• 구성 요소의 절제 연구(Ablation of Components): 본 연구는 LD-블록 구조와 TSS-거리 사전 확률의 기여를 명시적으로 분리하여, 두 구성 요소가 각각 뚜렷하고 가산적인 개선을 제공함을 입증하였다.
• 포괄적인 벤치마킹: 이 방법은 다양한 데이터셋과 혈통에 걸쳐 광범위한 베이스라인(BSLMM, LASSO, BLUP, TIGAR elastic net, TIGAR Dirichlet-process regression)과 비교 평가되었다.
• 다운스트림 검증: 학습된 가중치의 유용성은 예측 정확도뿐만 아니라 규제 주석에서의 기능적 농축 및 TWAS에서의 질병 관련 신호 회복을 통해 검증되었다.

결과

• 예측 성능: GEUVADIS 유럽 혈통 림프모구 세포주(LCL) 데이터셋(23,098개 유전자)에서, bsBSLMM은 엄격한 예측 필터를 통과하는 유전자의 수를 가장 많이 유지하였으며(3,518개), 이는 매칭된 MCMC 방식의 BSLMM보다 388개 더 많은 수치이다(+12.4%). 공유된 유지 유전자들에 대해, bsBSLMM은 모든 베이스라인 대비 유의미하게 높은 쌍별 홀드아웃 예측 정확도(평균 $\Delta r = +0.0189$)를 보였다.
• 구성 요소 기여도: 절제 연구 결과, LD-블록 레이어가 주요 개선 동력(265개 유전자 및 $\Delta r = +0.0155$ 추가)이었으며, TSS-거리 사전 확률은 작지만 일관된 점진적 이득(123개 유전자 및 $\Delta r = +0.0035$ 추가)을 제공함을 밝혔다.
• 생물학적 타당성: bsBSLMM에 의해 선택된 변이들은 BSLMM에 비해 LCL 관련 규제 영역(GM12878 DNase 및 H3K27ac 피크)에서 더 강한 농축을 보였다. 학습된 TSS-거리 계수는 98.8%의 유전자에서 음수였으며, 이는 근접한 변이가 활성화될 가능성이 높다는 생물학적 사전 지식을 모델이 회복할 수 있음을 확인시켜 준다.
• TWAS 발견: IBD TWAS 분석에서, bsBSLMM은 확립된 신호(예: IL23R)를 회복하였고 BSLMM이 탐지하지 못한 30개의 추가적인 게놈 전체 유의미한 유전자를 식별하였다.
• 교차 혈통 검증: 독립적인 Louisiana Osteoporosis Study (LOS) 전혈 코호트(백인 미국인 및 아프리카계 미국인 하위 코호트)에서, bsBSLMM은 예측 우위를 재현하였으며, 가장 많은 유전자를 유지하고 쌍별 비교에서 베이스라인을 능가하였다. 다운스트림 TWAS를 통한 골밀도(eBMD) 분석은 생물학적으로 관련 있는 경로를 회복하였다.
• 계산 효율성: Python+Numba 구현은 유전자당 중앙값 55.6초가 소요되었으며, C++ 구현은 이를 30.8초로 단축하여 추가된 복잡성에도 불구하고 매칭된 MCMC BSLMM과 계산적으로 유사한 수준을 유지하였다.

의의
본 논문은 LD-블록 구조와 생물학적 정보 기반 SNP 사전을 통합하는 것이 cis-발현 예측을 개선하고 다운스트림 TWAS 발견을 강화한다고 주장한다. 결과는 상관관계가 있는 변이들의 국소적 구조를 모델링하고 유전적 위치 사전을 활용하는 것이 표준적인 희소 또는 밀집 모델보다 더 정확한 규제 구조 식별을 가능하게 함을 보여준다. 이 방법은 모델 복잡성과 예측력 사이의 균형을 성공적으로 맞추어, 더 예측력이 높을 뿐만 아니라 생물학적으로 더 해석 가능하고 다양한 혈통 및 형질에 걸쳐 전이 가능한 가중치를 산출한다. 저자들은 bsBSL mML이 예측 가능한 유전자의 수와 그 효과 추정의 정밀도를 모두 향상시키는 모듈형 베이지안 사전(prior)을 제공한다고 결론짓는다.