Bias in genome-wide association test statistics due to omitted interactions

Dit onderzoek toont aan dat het negeren van epistatische interacties in lineaire modellen voor genomische associatiestudies (GWAS) kan leiden tot vertekende teststatistieken en vals-positieve resultaten, wat voorzichtigheid vereist bij het interpreteren van bestaande bevindingen.

De kern

Titel: Waarom onze genetische zoektochten soms op een leugen kunnen ontsnappen

Stel je voor dat je een gigantische puzzel probeert op te lossen: het raadsel van waarom mensen bepaalde eigenschappen hebben, zoals hun lengte, of of ze vatbaar zijn voor bepaalde ziektes. Wetenschappers doen dit al twintig jaar met een methode die GWAS (Genoombrede Associatiestudies) heet. Ze kijken naar miljoenen stukjes DNA (varianten) en proberen te vinden welke stukjes samenhangen met die eigenschappen.

Tot nu toe hebben ze duizenden stukjes gevonden. Maar deze nieuwe studie van Burak Yelmen en zijn team uit Estland en Frankrijk waarschuwt ons voor een groot gevaar: hun zoekmethode is misschien te simpel.

Het probleem: De "Rekenmachine" die te simpel denkt

Stel je voor dat je een recept probeert te begrijpen voor een heerlijke taart.

• De oude manier (Lineair model): De wetenschappers doen alsof de taart alleen maar bestaat uit losse ingrediënten die je simpelweg optelt. "Als je 100 gram suiker toevoegt, wordt de taart 100 gram zoeter. Als je 50 gram boter toevoegt, wordt hij 50 gram vetter." Ze denken dat alles optelbaar is.
• De echte realiteit (Epistasie): In werkelijkheid werken ingrediënten samen op complexe manieren. Suiker en boter reageren op elkaar. Als je ze samen verhit, gebeurt er iets nieuws (een karamel-laagje) dat je niet zou krijgen als je ze apart zou bekijken. Dit noemen we epistasie (interactie tussen genen).

Het probleem is dat de meeste wetenschappelijke studies nog steeds de "optel-methode" gebruiken. Ze negeren die complexe interacties.

De valkuil: De "Spook-associatie"

De auteurs tonen aan dat als je die interacties negeert, je rekenmachine (het statistische model) foute conclusies trekt.

Stel je voor dat je een detective bent die op zoek is naar de dader van een misdaad.

• De echte dader is een groepje mensen die samenwerken (de interactie).
• Maar jouw rechercheur kijkt alleen naar individuele verdachten en vraagt: "Wie deed dit alleen?"
• Omdat de echte daders (de interactie) vaak in de buurt wonen van een onschuldige buurman (een specifiek DNA-stukje), ziet de rechercheur die onschuldige buurman als verdachte.
• De buurman heeft niets gedaan, maar hij wordt toch gearresteerd omdat hij "te vaak" in de buurt van de echte daders werd aangetroffen.

In de studie noemen ze dit spurious significance (schijnbare significantie). Het model zegt: "Deze DNA-variant is heel belangrijk!" terwijl hij dat niet is. Hij is alleen belangrijk omdat hij toevallig in de buurt zit van de echte, complexe interacties die het model niet ziet.

Waarom is dit nu een groot probleem?

Je zou denken: "Oké, dat is een klein foutje." Maar hier komt het spannende deel:

1. Hoe groter de groep, hoe groter het probleem: In het verleden waren studies klein. Nu hebben we enorme databases met miljoenen mensen (zoals de Estse Biobank). De auteurs laten zien dat met zo'n gigantische groep, zelfs heel kleine interacties tussen genen ervoor zorgen dat het model duizenden onschuldige DNA-varianten als "schuldig" bestempelt.
2. De "Anti-conservatieve" val: In de statistiek wil je vaak voorzichtig zijn (conservatief). Maar door deze fout wordt het model juist te roekeloos (anti-conservatief). Het ziet overal signalen waar ze niet zijn. Het is alsof een metaaldetector in een veld vol met schroot zo gevoelig is ingesteld dat hij ook op een plastic zakje piept en denkt dat het goud is.

Wat hebben ze bewezen?

De auteurs hebben twee dingen gedaan:

1. Wiskunde: Ze hebben een nieuwe formule bedacht die precies laat zien hoe dit "spooksignaal" ontstaat. Ze hebben bewezen dat de statistiek die we gebruiken (de t-waarde) verschuift en dat de kans op een foutje enorm toeneemt als de steekproef groot is.
2. Simulatie: Ze hebben duizenden "virtuele mensen" gecreëerd met een computer, waarbij ze wisten dat er interacties waren. Toen ze deze data door de standaard software lieten lopen (REGENIE), zag de software inderdaad duizenden "schijnbare" winnaars die in werkelijkheid niets met de eigenschap te maken hadden.

Wat betekent dit voor ons?

De boodschap is niet dat we moeten stoppen met genetisch onderzoek. Integendeel! Maar we moeten voorzichtig zijn met wat we vinden.

• Voor de wetenschap: Veel van de "grote doorbraken" die we de afgelopen jaren hebben gezien, zouden kunnen zijn gebaseerd op deze schijnbare signalen. We moeten gaan zoeken naar methoden die die complexe interacties (de "recepten" in plaats van alleen de ingrediënten) echt kunnen zien.
• Voor de leek: Als je leest dat "een bepaald gen zorgt voor X", moet je weten dat het misschien niet dat ene gen is, maar een complex samenspel van genen dat de computer niet goed heeft begrepen.

Kortom: We hebben een zeer krachtige zoekmachine, maar we gebruiken hem met een te simpele zoekopdracht. Hierdoor vinden we veel "resultaten" die eigenlijk alleen maar ruis zijn. Het is tijd om onze zoekopdracht te verfijnen voordat we te veel vertrouwen in de antwoorden hebben.

Technische samenvatting

Probleemstelling

Genoomwijd associatiestudies (GWAS) hebben de afgelopen twee decennia duizenden genetische varianten geïdentificeerd die geassocieerd zijn met complexe menselijke eigenschappen. De meeste GWAS worden echter uitgevoerd met lineaire modellen (zoals Lineaire Gemengde Modellen, LMM's), waarbij wordt aangenomen dat genetische effecten voornamelijk additief zijn.

De auteurs stellen dat deze aanname problematisch is omdat biologische systemen vaak epistase (gen-gen interacties) vertonen. Wanneer een lineair model wordt gebruikt om een fenotype te analyseren terwijl er in werkelijkheid significante interactie-effecten bestaan die niet in het model zijn opgenomen, treedt er omissiebias op. Het artikel onderzoekt of en hoe het negeren van deze interactie-termen kan leiden tot schijnbaar significante associaties (spurious significance) voor SNPs die geen echte causale relatie hebben met het fenotype, vooral bij grote steekproefgroottes.

Methodologie

De auteurs hanteren een combinatie van wiskundige afleidingen en simulaties gebaseerd op data van het Estse Biobank.

1. Wiskundig Model:

   • Ze definiëren een ware data-generatieproces (DGP) dat een lineair gemengd model omvat met een extra term voor interacties ($u$): $y = X\beta + \alpha g + u + \varepsilon$.
   • Het geschatte (fout gespecificeerde) model is een standaard LMM zonder de interactieterm: $y = X\beta + \alpha g + \varepsilon$.
   • Onder de nulhypothese ($\alpha = 0$, de target SNP heeft geen effect) leiden ze algebraïsch af hoe de verdeling van de teststatistiek (t-statistiek) verschuift door de aanwezigheid van $u$.
   • Ze definiëren drie cruciale parameters:
     • $\lambda$: Het fractie van de variantie verklaard door de interactieterm.
     • $\rho$: De correlatie tussen de target SNP ($g$) en de gerealiseerde interactieterm ($u$).
     • $n$: De steekproefgrootte.
   • Ze introduceren het concept van de "strict no-path null": een situatie waarbij de target SNP noch deelneemt aan de interactie, noch een causaal pad heeft naar het fenotype via de interactie. Dit zorgt ervoor dat eventuele bias puur het gevolg is van de correlatie tussen de SNP en de interactiecomponent (bijvoorbeeld door Linkage Disequilibrium).

2. Bepaling van $\rho_{max}$:

   • Omdat de ware interactiecoëfficiënten onbekend zijn, leiden de auteurs een bovengrens af voor de correlatie ($\rho_{max}$) tussen een target SNP en de ruimte van mogelijke interactie-features (Z). Dit wordt gedaan via projectie op de kolomruimte van de interactiematrix zonder specifieke coëfficiënten te hoeven simuleren.

3. Simulatie-analyse:

   • Ze gebruikten genotype-data van het Estse Biobank (ongeveer 210.000 individuen).
   • Ze simuleerden 10.000 fenotypes met variërende waarden voor de niet-additieve variantie ($\lambda$) en verschillende sample sizes ($n=100.000$ en $n=210.145$).
   • Ze gebruikten REGENIE (een state-of-the-art LMM-tool) om de teststatistieken te berekenen en vergeleken deze met hun wiskundige model.

Belangrijkste Bijdragen

• Wiskundige afleiding van bias: Het artikel biedt een analytisch kader dat de verschuiving in het gemiddelde en de variantie van de nul-verdeling van de teststatistiek kwantificeert wanneer interacties worden genegeerd.
• Definitie van conservatisme: Ze introduceren een maatstaf $R(x)$, de verhouding tussen de ware p-waarde en de nominale p-waarde. $R(x) > 1$ duidt op een anti-conservatief regime (verhoogde kans op vals-positieven).
• Validatie met realistische data: De theorie wordt gevalideerd met simulaties op echte genotype-data, wat aantoont dat het model robuust is onder realistische omstandigheden.
• Kwantificering van het risico: Het werk toont aan dat zelfs bij lage schattingen van niet-additieve variantie en lage correlaties, de kans op schijnbare significantie groot wordt bij de huidige schaal van GWAS-studies.

Resultaten

• Anti-conservatief regime: De resultaten tonen aan dat het anti-conservatieve regime ($R > 1$) zeer waarschijnlijk is onder realistische parameters. Dit betekent dat de teststatistiek vaker extreme waarden aanneemt dan verwacht onder de normale verdeling $N(0,1)$.
• Invloed van steekproefgrootte: Er is een sterke positieve correlatie tussen de steekproefgrootte ($n$) en de mate van bias. Bij steekproefgroottes van 100.000 tot 1 miljoen (wat steeds gebruikelijker wordt) kan zelfs een kleine interactiecomponent ($\lambda \approx 0.03$) en een lage correlatie ($\rho \approx 0.03$) leiden tot een situatie waarbij ongeveer 50% van de statistisch significante hits vals-positief is.
• Correlatie over chromosomen: Zelfs wanneer de target SNP en de interactie-SNPs op verschillende chromosomen liggen, kan de correlatie $\rho$ hoog genoeg zijn om significante bias te veroorzaken, hoewel dit effect sterker is wanneer ze op hetzelfde chromosoom liggen.
• Validatie: De simulaties met REGENIE bevestigden de wiskundige voorspellingen. In de simulaties met interactietermen werden duizenden vals-positieve SNPs gevonden, terwijl zonder interactietermen slechts een handvol werd gevonden.

Betekenis en Conclusie

De bevindingen van dit artikel hebben belangrijke implicaties voor de interpretatie van GWAS-resultaten in de literatuur:

1. Waarschuwing voor lineaire modellen: Veel gebruikte lineaire modellen zijn vatbaar voor het identificeren van schijnbare associaties als epistase aanwezig is, vooral bij grote biobanken.
2. Herinterpretatie van eerdere studies: Statistisch significante signalen die zijn gerapporteerd op basis van lineaire modellen moeten met voorzichtigheid worden geïnterpreteerd; ze kunnen artefacten zijn van niet-gemodelleerde interacties in plaats van echte causale varianten.
3. Toekomstige richting: De auteurs pleiten voor het gebruik van niet-lineaire modellen of modellen die interacties expliciet integreren om de causaliteit van genetische mechanismen beter te begrijpen en vals-positieven te minimaliseren.

Samenvattend waarschuwt dit onderzoek dat de "additiviteitsaanname" in GWAS niet langer onbetwist mag zijn en dat het negeren van epistase leidt tot een systematische inflatie van teststatistieken, wat de betrouwbaarheid van gevonden genetische loci ondermijnt bij de huidige schaal van genoomstudies.