A rotated multivariate linear mixed model for dual large-scale genome-wide association study

기술 요약: 이중 대규모 전전체 연관 분석(GWAS)을 위한 회전 다변량 선형 혼합 모델

문제 정의
본 논문은 바이오뱅크 규모의 데이터를 활용하는 현대 전전체 연관 분석(GWAS)에서 발생하는 두 가지 핵심적인 병목 현상을 다룬다. 즉, 다중 형질 분석(multi-trait analyses)에서 계산 효율성과 통계적 검정력 사이의 상충 관계(trade-off), 그리고 기존 방법론들이 거대 샘플 크기(예: 30,000명 이상)와 고차원 표현형(예: 10개 이상의 형질) 모두에 확장하기 어렵다는 점이다. 선형 혼합 모델(LMM)은 인구 구조화와 샘플 간 연관성을 효과적으로 제어하지만, GEMMA와 같은 현재의 최첨단 도구들은 대규모 다중 형질 GWAS를 수행하기에는 계산적으로 불가능하다. 뉴턴-래프슨(Newton-Raphson) 최적화를 통해 공분산 행렬을 추정하는 GEMMA의 방식은 시간 복잡도가 $O(nd^6)$에 달하여, 샘플 크기($n$)와 표현형 개수($d$)가 큰 데이터셋에서는 실행이 불가능하다. 또한, 주성분 분석(PCA)과 같은 차원 축소 방법은 저분산 성분을 버림으로써 다표적 효과(pleiotropic) 변이를 탐지하는 능력을 심각하게 저하시킬 수 있다는 점에서 최적의 방법이 아님이 지적된다.

방법론: RmvLMM
저자들은 "이중 대규모(dual large-scale)" 시나리오(큰 $n$과 큰 $d$)를 위해 특별히 설계된 통계적 프레임워크인 **회전 다변량 선형 혼합 모델(R-rotated multivariate Linear Mixed Model, RmvLMM)**을 제안한다. 이 방법론은 네 가지 핵심 기술 혁신을 통합한다:

1. 직교 회전 변환 (Orthogonal Rotation Transformation):
   상관관계가 있는 형질들을 직접 분석하는 대신, RmvLLＭ은 세 단계의 순차적 고유값 분해(eigendecomposition)를 수행하여 직교 회전을 적용한다. 이 변환은 다변량 형질들을 서로 상관관계가 없는 상태로 탈상관화(decorrelate)하여, 다변량 선형 혼합 모델(mvLMM)을 $d$개의 독립적인 단변량 선형 회귀 모델로 변환한다. 이 단계는 유의미한 유전적 신호를 강조하는 동시에 비유의미한 신호를 노이즈로 처리함으로써 연관성 검정력을 높인다.

2. MoM-REML 반복 알고리즘:
   다유전적 공분산($V_b$) 및 오차 공분산($V_e$) 행렬을 추정하기 위해, 저자들은 MoM-REML이라 불리는 새로운 고속 반복 알고리즘을 개발했다. 이 방법은 적률 방법(Method-of-Moments, MoM)과 제한 최대 가능도(Restricted Maximum Likelihood, REML)를 결합한다. 회전된 모델 내에서 $V_b$와 $V_e$ 사이의 관계를 특징짓는 폐쇄형 식(closed-form expression)을 도출함으로써, 이 알고리즘은 전체 $nd \times nd$ 공분산 행렬의 비용이 많이 드는 역행렬 계산 및 행렬식 계산을 피한다. 이를 통해 시간 복잡도를 표현형 차원에 대한 의존도를 $O(d^6)$(GEMMA 기준)에서 $O(d^2)$로 줄였으며, 전체 복잡도는 $O(nd^2)$가 된다.

3. TOP2 및 TOP2-O 통계량:
   연관성 검정을 위해 RmvLMM은 회전된 단변량 모델들에 대해 F-검정을 수행한다. 본 논문은 $d$개의 단변량 검정 중 가장 작은 두 개의 p-값을 피셔 결합 방법(Fisher's combination method)을 사용하여 통합하는 새로운 p-값 결합 통계량인 TOP2를 도입한다. TOP2의 정확한 분포는 해석적으로 도출된다. 관련성 행렬 $K$의 전체 고유값 분해가 불가능한 바이오뱅크 규모의 샘플을 위해, 이 방법은 옴니버스 통계량인 TOP2-O로 확장된다. TOP2-O는 "분할 및 결합(divided-and-combined)" 전략을 사용하여 여러 개의 서로 겹치지 않는 샘플 그룹 전체의 증거를 통합한다. TOP2-O의 영 분포(null distribution)는 그룹 간 상관관계를 명시적으로 모델링하지 않고 **일반화 감마 분포(generalized gamma distribution)**를 사용하여 경험적으로 보정 및 적합된다.

4. 분할 및 결합 전략 (Divided-and-Combined Strategy):
   바이오뱅크 규모의 샘플 크기를 처리하기 위해, 데이터셋을 서로 겹치지 않는 그룹들로 분할한다. 각 그룹 내에서 연관성 증거를 평가한 후 이를 하나의 옴니버스 검사로 결합한다. 이 접근 방식은 전체 샘플 관련성 행렬 $K$를 구성하거나 분해할 필요를 없애주며, 샘플 크기에 대해 거의 선형적인 확장(linear scaling)을 가능하게 한다.

주요 결과

• 계산 효율성: $n=5,000$, $d=20$인 시뮬레이션에서 RmvLMM은 전체 게놈 와이드 스캔을 수행할 때 GEMMA보다 50배 이상 빨랐다 (전체 시간의 2% 미만 소요). 파라미터 추정의 경우, RmvLMM은 약 150배의 속도 향상을 달お성했다. GEMMA와 달리 R-mvLMM은 $n > 50,000$인 경우 확장이 불가능했으나, RmvLMM은 300,000명의 개인을 포함하는 코호트를 약 3.13시간 만에 처리하며 거의 선형적인 확장성을 보여주었다.
• 통계적 검정력: R-mvLMM은 모든 시뮬레이션 시나리오에서 GEMMA보다 일관되게 높은 통계적 검정력을 보였다. 엄격한 유의 수준($\alpha = 1 \times 10^{-7}$)에서 R-mvLMM은 GEMMA보다 10% 이상의 높은 검정력을 달성했다. 예를 들어, $n=1,000$, $d=10$일 때, 다양한 미세 대립유전자 빈도(MAF)에 대해 R-mvLMM은 GEMMA의 40.5%62.2%와 비교하여 52.4%73.1%의 검정력에 도달했다.
• 위양성률 (FPR): 두 방법 모두 모든 설정에서 잘 보정된 FPR을 유지하였으며, 이는 검정력의 증가가 위양성의 증가를 초래하지 않았음을 확인시켜 준다.
• UK Biobank 적용: 323,839명의 유럽 혈통 개인를 대상으로 26개의 혈액 생화학 형질에 적용한 결과, R-mvLMM은 373개 유전자에 매핑되는 1,325개의 유의미한 SNP를 식별했다. 이 중 309개 유전자는 기존 문헌 근거를 가지고 있었다. 특히, 분석을 통해 약물 타겟으로 검증된 10개의 다표적 유전자(예: PCSK9, HMGCR)를 식별하였으며, 이는 29개의 임상 개발 약물에 해당한다. 경로 풍부도 분석(Pathway enrichment)은 지질 대사 및 콜레스테롤 항상성과 관련된 연관성을 확인했다.

의의 및 주장
본 논문은 R-mvLMM이 다중 형질 GWAS에서 역사적인 계산 효율성과 통계적 검정력 사이의 상충 관계를 해결하는 강력하고 확장 가능한 프레임워크를 제공한다고 주장한다. 직교 회전과 병렬화 가능한 분할 및 결합 전략을 활용함으로써, 이 방법은 이전에는 계산적으로 불가능하다고 여겨졌던 고차원 표현형을 가진 바이오뱅크 규모의 샘플 분석을 가능하게 한다.

저자들은 R-mvLMM을 복잡한 형질의 공유된 유전 구조를 해독하고 다표적 변이를 식별하는 데 유용한 도구로 위치시킨다. 저자들은 이 방법이 한 세트의 형질 중 적어도 하나와 연관된 SNP를 탐지하는 데 특히 효과적이라고 언급하면서도, 한계점으로서 이 방법이 어떤 특정 형질이 연관성을 주도하는지를 본질적으로 식별하지는 못한다는 점을 인정한다. 따라서 정밀한 구분을 위해 스크리닝 후 PheWAS를 수행하는 2단계 후속 조치를 권장한다. 현재 이 방법은 연속형 형질로 제한되어 있으며, 이진(binary) 또는 서열(ordinal) 형질은 아직 지원하지 않는다. 소프트웨어는 대규모 유전적 발견을 지원하기 위해 오픈 소스로 공개되었다.