Technische Samenvatting: Univariaat-gestuurde Sporse Regressie voor Biobank-schaal Hoogdimensionale Omics-data

Probleemstelling

Het artikel behandelt de uitdaging van het uitvoeren van sparse regressie op ultra-hoogdimensionale genomische data, specifiek binnen de context van de constructie van Polygenic Risk Scores (PRS) met behulp van biobank-schaal datasets zoals de UK Biobank. In deze settings overstijgt het aantal predictoren (SNPs, $p$) vaak het aantal observaties ($n$), waarbij $p > 1.000.000$ en $n \approx 500.000$.

Standaard regressiebenaderingen worden geconfronteerd met drie kernproblemen in dit domein:

1. Computationele Onhaalbaarheid: Het fitten van multivariate modellen op miljoenen SNPs voor honderdduizenden individuen is computationeel prohibitief, vooral bij het gebruik van kruisvalidatie voor hyperparameteroptimalisatie.
2. Gecorreleerde Predictoren (Linkage Disequilibrium): SNPs bestaan in blokken van hoge correlatie. Standaard multivariate methoden hebben vaak moeite met de beslissing of ze een sparse set van representatieve varianten moeten selecteren of de effecten moeten verdelen ("smearing") over vele gecorreleerde variabelen, wat leidt tot dichte, moeilijk te interpreteren modellen.
3. Dataprivacy en Integratie: In biomedisch onderzoek is toegang tot ruwe individuele data vaak beperkt vanwege privacyregelgeving. Onderzoekers vertrouwen vaak op samenvattende statistieken (summary statistics) van externe cohorten (bijv. FinnGen) in plaats van volledige datasets, wat het moeilijk maakt om deze externe informatie te integreren in een verenigd sparse multivariat model.

Historisch gezien rust de constructie van PRS op een tweestaps-pipeline: een univariate Genome-Wide Association Study (GWAS) gevolgd door een post-hoc shrinkage- of selectiemethode (bijv. clumping en thresholding, LDpred, PRS-CS). De auteurs stellen dat deze benadering suboptimaal is omdat de eerste stap SNPs in isolatie behandelt, waarbij hele buurten van gecorreleerde SNPs wordt meegenomen, terwijl de tweede stap probeert deze dubbele telling te corrigeren, wat vaak resulteert in dichte predictoren met afgeplatte effectgroottes.

Methodologie: Omni-adapted uniLasso

De auteurs stellen een schaalbare adaptatie voor van Univariate-Guided Sparse Regression (uniLasso), oorspronkelijk geïntroduceerd door Chatterjee et. al. [2025], die specifiek is afgestemd op biobank-schaal data. De methode is een tweestaps gepenaliseerde regressieprocedure die univariate coëfficiënten gebruikt om de multivariate selectie te sturen.

Het Algoritme

1. Fase 1: Univariante Pre-computatie:
   Voor elke SNP $j$ berekent het algoritme univariate intercepten ($\hat{\beta}_{0j}$) en hellingen ($\hat{\beta}_j$). Cruciaal is dat het ook Leave-One-Out (LOO) gefitte waarden ($\hat{y}^{-i}_{ij}$) berekent om een feature matrix $F$ te creëren. Het gebruik van LOO-waarden in plaats van ruwe schattingen dwingt de daaropvolgende selectiestap om te vertrouwen op out-of-sample voorspellende signalen in plaats van in-sample ruis.

   • Optimalisatie: Om de schaal aan te kunnen, hebben de auteurs deze berekeningen gevectoriseerd en geparalleliseerd over CPU-kernen met behulp van het Adelie Python-pakket.

2. Fase 2: Geleide Sparse Regressie:
   Een non-negatieve Lasso wordt gefit met behulp van de LOO-voorspellingen in $F$ als features om de respons $y$ te voorspellen.

   • Tekenrestrictie (Sign Constraint): De coëfficiënten $\theta_j$ in deze fase zijn beperkt tot niet-negatieve waarden. De uiteindelijke multivariate coëfficiënten worden hersteld als $\hat{\gamma}_j = \hat{\beta}_j \hat{\theta}_j$. Dit zorgt ervoor dat het teken van de uiteindelijke coëfficiënt overeenkomt met het teken van de univariate coëfficiënt (of nul is), wat tekenomkeringen voorkomt die de interpretatie compliceren.
   • Afhandeling van Binaire Respons: Voor binaire uitkomsten gebruikt de methode gepenaliseerde logistische regressie. Omdat er geen gesloten vorm LOO-oplossingen bestaan voor de logistische loss, gebruiken de auteurs Iteratively Reweighted Least Squares (IRLS) met een benadering voor LOO-voorspellingen voorgesteld door Rad en Maleki [2020].

Aanpassingen voor Schaalbaarheid en Stabiliteit

Om uniLasso haalbaar te maken voor de UK Biobank, hebben de auteurs verschillende kritieke engineering- en statistische aanpassingen geïntroduceerd:

• Data Splitting: In plaats van $k$-fold kruisvalidatie (wat te duur is voor $p \gg n$), gebruikten ze een 70/10/20 train/validatie/test split om de regularisatieparameter $\lambda$ af te stemmen.
• MAF Filtering: SNPs met een Minor Allele Frequency (MAF) < 0,0005 werden uitgesloten om zeldzame varianten te verwijderen die weinig voorspellende kracht hebben en instabiliteit veroorzaken.
• Variantiestabilisatie: Voor SNPs met een lage variantie (maar MAF $\ge$ 0,0005) werd de noemer in de univariate hellingsberekening ($S_{xx}$) geregulariseerd door de vijfde percentiel van de empirische distributie van $S_{xx}$-waarden toe te voegen. Dit voorkomt een explosie van coëfficiënten bij bijna constante kolommen.
• Integratie van Externe Scores (uniLasso ES): Om externe data (bijv. van FinnGen) te integreren zonder toegang tot ruwe data, hebben de auteurs de straffunctie (penalty term) aangepast. Ze gebruiken externe univariate coëfficiënten ($\tilde{\beta}_j$) om adaptieve gewichten ($|\tilde{\beta}_j|$) en tekenrestricties te definiëren in de $\ell_1$-penalty van de tweede-fase regressie, in plaats van LOO-schattingen te berekenen uit de trainingsdata.

Belangrijkste Bijdragen

1. Schaalbare uniLasso Implementatie: Het artikel presenteert de eerste adaptatie van uniLasso die in staat is om biobank-schaal data ($p \approx 10^6, n \approx 5 \times 10^5$) te verwerken met behulp van individuele data, waarbij de geheugen- en tijdbarrières van de oorspronkelijke formulering worden overwonnen.
2. Integratie van Externe Data: Een nieuw framework voor het integreren van externe samenvattende statistieken in een sparse multivariat model, wat de noodzaak voor het delen van ruwe data omzeilt terwijl de voorspellende nauwkeurigheid wordt verbeterd.
3. Extensie naar Binaire Respons: Een uitbreiding van het algoritme naar binaire fenotypes met behulp van logistische regressie en IRLS-gebaseerde benaderingen voor LOO-fits.
4. Empirische Validatie op de UK Biobank: Een uitgebreide evaluatie over vier fenotypes (Lengte, BMI, CHD, Astma) waarbij de methode wordt vergeleken met standaard Lasso, PRS-CS en andere baselines.

Resultaten

De auteurs evalueerden hun methoden op de UK Biobank (beperkt tot personen van witte Britse afkomst) over continue (Lengte, BMI) en binaire (CHD, Astma) fenotypes.

• Sparsity vs. Prestaties:
  • uniLasso behaalde een voorspellende prestatie die vergelijkbaar is met de standaard Lasso (bijv. $R^2$ voor Lengte: 0,707 vs. 0,713), maar selecteerde aanzienlijk minder varianten.
  • Specifiek selecteerde uniLasso 38% minder SNPs voor Lengte en 43% minder voor BMI vergeleken met Lasso, met verwaarloosbare dalingen in $R^2$ (0,006 en 0,016, respectievelijk).
  • Voor binaire kenmerken zoals CHD was uniLasso meer dan 50% sparser dan Lasso, met slechts een toename van 0,001 in testfout.
• Interpretatieerbaarheid:
  • Een belangrijke bevinding is de eliminatie van tekenveranderingen. In standaard Lasso veranderen coëfficiënten vaak van teken ten opzichte van hun univariate effecten door correlatie (bijv. 12% van de Lengte-coëfficiënten veranderden van teken); uniLasso garandeert door constructie dat alle niet-nul coëfficiënten het teken van hun univariate effect behouden, wat de interpretatie aanzienlijk verbetert.
• Externe Scores (uniLasso ES):
  • Het integreren van externe scores van FinnGen (uniLasso ES) leverde de beste voorspellende prestaties op voor alle vier de fenotypes.
  • Voor Lengte behaalde uniLasso ES een $R^2$ van 0,716 (vs. 0,713 voor Lasso).
  • Ondanks het gebruik van externe data bleven de modellen aanzienlijk sparser dan Lasso en PRS-CS.
• Vergelijking met PRS-CS:
  • PRS-CS, een dichte Bayesiaanse methode, presteerde onder alle Lasso-gebaseerde methoden op continue kenmerken en kwam alleen overeen met hen bij CHD. PRS-CS produceerde dichte modellen (gebruikmakend van alle SNPs), terwijl uniLasso ES een hoge mate van sparsity behield.

Betekenis en Claims

Het artikel claimt dat uniLasso een superieure afruil biedt tussen voorspellende nauwkeurigheid, sparsity en interpreteerbaarheid voor biobank-schaal genomische data.

• Uitdaging van de "Infinitesimale" Visie: De resultaten bieden een empirisch tegenwicht aan strikt "pangenomische" of infinitesimale modellen (zoals PRS-CS of LDpred-inf) die ervan uitgaan dat elke variant een niet-nul effect heeft. De auteurs stellen dat voor praktische voorspelling een "sparse-polygenic" visie — waarbij een paar tienduizenden varianten het grootste deel van het signaal vangen — voldoende en robuuster is.
• Mechanistische Helderheid: Door gewichten te concentreren op (of nabij) werkelijk causale varianten in plaats van ze te verspreiden over gecorreleerde LD-blokken, vermindert uniLasso de "ruis"-bijdrage van niet-causale tag-SNPs, wat de robuustheid van individuele risicoschattingen potentieel verbetert.
• Praktisch Nut: De methode laat zien dat het mogelijk is om multivariate modellen direct op individuele biobank-data te fitten, waarmee de beperkingen van de traditionele twee-staps GWAS-plus-PRS pipeline worden overstegen. De integratie van externe samenvattende statistieken versterkt deze bruikbaarheid verder in omgevingen waar privacy beperkingen gelden.

De auteurs concluderen dat hoewel dichte modellen waarde hebben wanneer alleen samenvattende statistieken beschikbaar zijn, de sparse multivariate benadering van uniLasso zeer effectief is voor settings waar interpreteerbaarheid en computationele efficiëntie van groot belang zijn.