Significance filtering induces denominator selection bias in local genetic correlation: closed-form characterisation, a gate-aware correction, and an applicability diagnostic

기술 요약: 국소 유전 상관관계에서의 유의성 필터링 및 분모 선택 편향

문제 제기
국소 유전 상관관계($\rho$)는 국소 유전 공분산을 두 국소 유전력의 기하 평균으로 나눈 값으로 추정된다. 표준 구현 방식인 LAVA는 두 형질 모두가 단변량 유전력 유의성 검정($P < 0.05$)을 통과할 때만 이 비율을 보고한다. LAVA의 문서에서는 이 필터를 불안정한 추정치를 제거하기 위한 안정화 장치로 설명하지만, 저자들은 이 필터가 비율 추정량의 **분모에 대한 선택 이벤트(selection event)**로 작용함을 입증하였다.

단변량 검정 통계량과 분모는 동일한 제곱합에서 유도되므로, 통계량이 커야 한다는 조건(필터를 통과함)은 분모가 커야 한다는 조건이 된다. 이러한 선택은 샘플링 노이즈에 의해 유전력 추정치가 부풀려진 로커스(loci)를 우선적으로 채택하게 만든다. 결과적으로 분모는 체계적으로 팽창하며, 그에 따라 결과적인 비율(상관관계 추정치)은 팽창하는 것이 아니라 감쇄(attenuation)(0을 향해 편향됨)된다. 추정치를 팽창시키는 "승자의 저주(winner's curse)"와 달리, 이 메커니즘은 추정치를 감쇄시킨다. 또한, 이러한 선택은 GWAS 간의 샘플 중복(sample overlap)과 상호작용하여 실제 상관관계가 0일 때도 비제로(non-zero)의 기대 상관관계를 만들어낸다.

방법론
저자들은 LAVA의 구간 루틴이 가정하는 비중심 와셔트(noncentral Wishart) 모델 하에서 이 편향에 대한 폐쇄형 특성화를 유도하였다.

1. 이론적 유도:

   • 게이트 조건부 평균(Gate-conditional mean): 추정량의 게이트 조건부 평균이 실제 상관관계($\rho$)에 대해 아핀(affine) 관계임을 보여준다: $E[\hat{\rho} | G] = S_{loc}\rho + I_{loc}$.
   • $S_{loc}$ (기울기): 감쇄 인자를 나타낸다. 이는 국소 신호 대 잡음비($\theta_i$), 주성분 개수($K$), 그리고 게이트로 인한 대각 성분의 팽창($\Delta_i$)의 함수이다.
   • $I_{loc}$ (절편): 샘플 중복($r_e$)과 필터에 의해 생성된 "제조된" 상관관계를 나타낸다. 이는 $r_e$와 팽창 항에 비례하며, 통계적 검정력(power)이 증가함에 따라 소멸한다.
   • 결정적으로, 이 양들은 $K$(유지된 주성분), 보고된 $P$-값, 보고된 상관관계, 그리고 샘플 중복 상관관계와 같이 LAVA가 이미 보고한 데이터에 의해서만 결정된다.

2. 교정 프로토콜:

   • 1단계 (분모의 디바이어싱): $P$-값을 통해 게이트된 유전력이 복구된다. 저자들은 실제 신호 강도 $\theta$에서 게이트된 기대값으로 가는 매핑 $g_K$를 역전시켜 밑바탕이 되는 신호 강도를 복구한다. 이 역전 과정은 유일하지만, 실제 신호를 노이즈와 구별할 수 없는 "바닥(floor)" 지점이 존재한다.
   • 2단계 (비율의 디바이어싱): 교정된 상관관계는 $\hat{\rho}_{corr} = (\hat{\rho} - I_{loc}) / S_{loc}$로 계산된다.
   • 집계 (Aggregation): 조건부 평균을 역전시키는 것이므로, 개별 로커스(개별 로커스는 평균이 아닌 분포 내에 존재하므로 불안정성을 피하기 위해)가 아닌 집계된 로커스(pooled loci)에 적용된다.

3. 적용 가능성 진단 (Applicability Diagnostic):
   세 부분으로 구성된 진단법이 주어진 형질 쌍에 대해 교정이 식별 가능한지 결정한다:

   • C1 (안정성): 집계된 기울기가 서로 다른 $K$의 계층화에서도 안정적이어야 한다.
   • C2 (바닥 거리): 관찰된 게이트된 유전력이 완전한 국소 영가설($\theta=0$) 하에서 예상되는 분포와 통계적으로 구별되어야 한다.
   • C3 (비영(Non-Null) 출력): 우연에 의한 게이트 통과 비율이 임계값(0.40) 미만이어야 한다.

4. 검증:
   저자들은 세 단계의 시뮬레이션 전략을 사용한다:

   • Tier A: 비중심 와셔트 분포에서 직접 추출.
   • Tier B: 알려진 $\rho$를 실제 로커스에 주입하고 LAVA의 실제 코드 경로를 통해 복구.
   • Tier C: LAVA의 출력 캡핑(capping) 메커니즘으로부터 필터의 효과를 격리하는 대조 실험.

주요 결과

• 편향 특성화: 편향은 $\rho$에 대해 엄격히 아핀(affine)하다. 6개의 정신질환 형질 쌍에 대해 측정된 감쇄 기울기($S_{loc}$)는 0.579에서 0.923 사이였다. 폐쇄형 예측치는 매개변수 피팅 없이도 패널 내에서 0.007 이내의 오차로 측정된 기울기와 일치했다.
• 편향의 원인: 필터가 감쇄의 주요 원인이다. LAVA의 출력 캡핑이 약간 기여하지만, 필터 단독으로 대부분의 신호 손실(예: 저전력 영역에서 37~42%의 신호 파괴)을 설명한다.
• 제조된 상관관계: 실제 상관관계가 없는 경우, 필터와 샘플 중복이 결합하여 유의미한 양의 상관관계를 생성한다. 예를 들어, 중복도가 높은 쌍(ASD $\times$ ADHD)에서 제조된 절편은 0.139였으며, 이는 많은 발표된 국소 유전 상관관계를 상회하는 수치였다.
• 교정 성능: 집계 시 게이트를 고려한 교정을 적용하면 평균 절대 편향이 0.247에서 0.026으로 감소한다(9.7배 개선). 단일 통합 교정 계수(예: 전역 기울기로 나누기)는 $S_{loc}$의 이질성을 포착하지 못해 성능이 저하된다(편향 0.195).
• 구간 폭: 필터 적용 후의 신뢰 구간은 적절히 보정되었으나(94.9% 커버리지), 거의 무의미할 정도로 넓다. 평균 폭은 매개변수 공간 $[-1, 1]$의 **69%**에 달해, 부호 결정이 불가능하다(예: 한 쌍의 경우 78개 로커스 중 68개가 0을 통과함).
• 진단 실패: 6개의 형질 쌍 중 3개가 적용 가능성 진단을 통과하지 못했다. 이 경우(예: ASD $\times$ SCZ), 약한 형질의 국소 유전력이 완전한 국소 영가설과 구별할 수 없는 수준이었다. 이들 쌍에서 보고된 로커스들은 약한 발견이 아니라 필터가 노이즈에 작용하여 나타난 인공물이며, 교정이 식별되지 않는다.

의의 및 주장
본 논문은 LAVA의 보고 규칙에 의해 유도된 선택 편향을 최초로 폐쇄형으로 특성화했음을 주장한다. 이 연구의 의의는 다음과 같다:

1. 오해의 교정: 필터가 단순한 안정화 장치가 아니라, 추정치를 체계적으로 감쇄시키고 상관관계를 제조하는 선택 이벤트임을 입증했다.
2. 실행 가능한 교정: 원시 데이터의 재분석 없이 표준 LAVA 출력과 중복 추정치만을 필요로 하는 교정 방법을 제공한다.
3. 발표된 결과의 맥락화: 저자들은 전력이 충분한 형질에서 발표된 대부분의 추정치는 문제가 없겠지만(편향 < 10%), 전력이 낮거나 샘플 중복이 높은 형질의 추정치는 심각하게 편향되어 있다고 주장한다.
4. 보고 표준: "감쇄 연쇄(attrition cascade)"(음의 분산 추정치로 인해 손실된 블록 수 vs 필터에 의해 손실된 블록 수)를 보고할 것, "채널 2"(음의 분산을 가진 형질의 조용한 제거)를 확인할 것, 그리고 교정을 적용하기 전에 제안된 진단법을 사용할 것을 포함한 구체적인 보고 가이드라인을 제시한다.

저자들은 이 작업이 이전 연구들의 생물학적 발견을 무효화하는 것이 아니라, 현재의 표준 파이프라인에 내재된 분석적 편향을 정량화하고 교정하는 도구를 제공하는 것임을 명시한다. 또한, 진단을 통과하지 못한 쌍의 경우 보고된 상관관계는 필터의 인공물일 가능성이 높으므로 생물학적 신호로 해석해서는 안 된다고 경고한다.