A time-to-event heritability framework for inferring the genetic architecture of longitudinal traits

Deze studie introduceert COXMM, een nieuw Cox-proportioneel-hazard-mengmodel dat de erfelijkheid van tijd-tot-evenement-traits nauwkeurig schat en inzicht biedt in de genetische architectuur van longitudinale ziekteverloop, waarbij blijkt dat de progressie naar ernstige aandoeningen vaak een lagere erfelijkheid heeft dan de algemene incidentie.

De kern

De "Tijdbom" van Ziektes: Een Nieuwe Manier om Erfelijkheid te Meten

Stel je voor dat je een enorme bibliotheek hebt met de levensverhalen van half een miljoen mensen. In deze bibliotheek staat niet alleen geschreven of iemand een ziekte heeft gekregen (zoals diabetes of een hartaanval), maar ook wanneer het gebeurde.

Tot nu toe keken wetenschappers vooral naar het simpele "ja" of "nee". Maar dat is alsof je probeert het weer te begrijpen door alleen te kijken of het regent, zonder te kijken hoe lang het duurt voordat de eerste druppel valt.

De auteurs van dit paper (Kodi Taraszka, Sriram Sankararaman en Alexander Gusev) hebben een nieuw gereedschap bedacht, genaamd COXMM. Laten we dit uitleggen met een paar creatieve vergelijkingen.

1. Het Probleem: De Verkeerde Meetlat

Stel je voor dat je de kracht van een auto wilt meten.

• De oude manier (Case-Control): Je kijkt alleen of de auto op een bepaald moment in de garage staat. Als hij daar staat, is hij "kapot". Als hij niet staat, is hij "goed". Je negeert echter dat sommige auto's al kapot waren voordat je ze kocht, en dat andere auto's misschien pas over 50 jaar stuk gaan. Dit geeft een onvolledig beeld.
• De nieuwe manier (TTE - Time-to-Event): Je kijkt naar de tijd tot de auto stukgaat. Hoe sneller hij stukgaat, hoe "zwakker" de motor (of in dit geval, hoe slechter de genen) is.

Het probleem is dat de oude meetlaten (die voor "ja/nee" zijn ontworpen) de erfelijkheid van ziektes die op een bepaalde leeftijd ontstaan, vaak te laag inschatten. Het is alsof je probeert de zwaarte van een olifant te meten met een weegschaal voor hamsters.

2. De Oplossing: COXMM (De Nieuwe Meetlat)

COXMM is als een slimme stopwatch die rekening houdt met twee dingen:

1. Wanneer de ziekte toeslaat (de leeftijd).
2. Of de ziekte überhaupt is gezien (sommige mensen sterven aan iets anders voordat ze de ziekte krijgen; dit heet "censering").

De Analogie van de Lijn:
Stel je een lange lijn voor van mensen die allemaal op een dag beginnen te lopen.

• Bij de oude methode kijken we alleen naar wie op een bepaald moment is gevallen.
• Bij COXMM kijken we naar de snelheid waarmee mensen vallen. Genen kunnen ervoor zorgen dat je sneller valt (vroegere ziekte) of langzamer (latere ziekte). COXMM meet precies hoeveel van die "val-snelheid" door je genen wordt bepaald.

3. Wat hebben ze ontdekt? (De Verhalen uit de Bibliotheek)

De auteurs hebben dit nieuwe gereedschap getest op gegevens van het UK Biobank (een enorme database van Britse burgers).

• Het verrassende resultaat: Voor veel hart- en vaatziekten bleek dat de erfelijkheid niet alleen gaat over of je ziek wordt, maar ook over wanneer.
• De "Tussenstap" theorie: Ze keken naar mensen die eerst een lichte ziekte kregen (zoals hoge bloeddruk) en later een zware ziekte (zoals een hartaanval).
  • Vergelijking: Het is alsof je kijkt naar mensen die eerst struikelen en dan vallen.
  • De ontdekking: Het blijkt dat de tijd tussen struikelen en vallen minder door genen wordt bepaald dan het struikelen zelf. De "tussenstap" wordt vaak beïnvloed door omgevingsfactoren: medicijnen, levensstijl, of gewoon geluk. De genen zeggen: "Je bent kwetsbaar voor een hartaanval", maar de omgeving bepaalt of je dat nu krijgt of pas over 10 jaar.

4. Waarom is dit belangrijk?

Stel je voor dat je een voorspellingsmodel bouwt voor ziektes (een "polygenic score").

• Als je alleen kijkt naar "ja/nee", mis je informatie.
• Met COXMM kun je beter voorspellen wie wanneer ziek wordt. Dit helpt artsen om te begrijpen dat ziekteprogressie (hoe een ziekte verergert) een ander genetisch verhaal heeft dan het krijgen van de ziekte zelf.

Samenvatting in één zin

Dit paper introduceert een slimme nieuwe rekenmethode die niet alleen vraagt "Is iemand ziek?", maar vooral "Hoe snel raakte iemand ziek?", waardoor we een veel scherpere foto krijgen van hoe onze genen onze gezondheid in de loop van de tijd beïnvloeden.

Kortom: Het is de overstap van een statische foto (ziek of niet) naar een dynamische film (wanneer en hoe snel), waardoor we de rol van onze genen veel eerlijker kunnen meten.

Technische samenvatting

Probleemstelling

Biobanken met longitudinale metingen hebben ons begrip van "time-to-event" (TTE) eigenschappen (zoals leeftijd van ziekte-ontwikkeling en ziekteprogressie) vergroot. Echter, de erfelijkheid (heritability) van deze TTE-eigenschappen is slecht gekarakteriseerd. Bestaande methoden voor het schatten van erfelijkheid zijn voornamelijk ontworpen voor kwantitatieve of binaire (case-control) uitkomsten. Deze methoden maken gebruik van het Liability Threshold Model (LTM), dat ervan uitgaat dat genetische variatie de kans bepaalt of iemand ooit de ziekte ontwikkelt, maar dat de leeftijd van onset een secundair effect is.

Dit LTM is onvolledig voor TTE-eigenschappen om twee redenen:

1. Censering: Individuen kunnen uit het onderzoek verdwijnen (bijv. door dood of verlies van follow-up) voordat ze de ziekte krijgen, waardoor ze onnauwkeurig als "controls" worden geclassificeerd.
2. Genetische invloed op timing: Genetische variatie kan een aanzienlijk deel van de variantie in de leeftijd van onset verklaren, wat niet wordt vastgelegd door modellen die alleen kijken naar case-control status.

Conventionele methoden (zoals Haseman-Elston regressie toegepast op case-control status of alleen op leeftijd van onset) leiden onder een TPGM (Time-to-Event Phenotypic Generative Model) tot een ernstige onderschatting van de erfelijkheid. Er ontbreekt een robuust kader om de totale genetische variantie van TTE-eigenschappen nauwkeurig te schatten.

Methodologie: COXMM

De auteurs stellen COXMM (Cox Proportional Hazard Mixed Model) voor, een nieuwe methode voor het schatten van moleculaire erfelijkheid onder een TTE-phenotypisch generatief model.

• Kernprincipe: In plaats van een lineair model op een onwaarneembare "liability" toe te passen, modelleert COXMM de instantane risico (hazard) van het optreden van een gebeurtenis.
• Modelopbouw:
  • Het hazard op tijdstip $t$ wordt gemodelleerd als: $h(t) = h_0(t) \exp(u_i)$, waarbij $h_0(t)$ de ongespecificeerde baseline hazard is en $u_i$ een willekeurig genetisch effect (genetische liability).
  • De genetische liability $u_i$ volgt een Gaussische verdeling met variantie bepaald door de genetische variantiecomponent ($\sigma^2_g$) en de genetische verwantschapsmatrix (GRM).
  • De baseline hazard vangt omgevingsfactoren en censering op.
• Schattingsprocedure:
  • COXMM schat de parameter $\sigma^2_g$ door iteratief een gepenaliseerde partiële likelihood en een geïntegreerde marginale likelihood (via Laplace-benadering) op te lossen tot convergentie.
  • De schatting wordt getransformeerd naar een erfelijkheidsschatting op de log-frailty schaal. Dit is gebaseerd op het feit dat de log van de cumulatieve hazard een extreme waarde-verdeling volgt, wat equivalent is aan een lineair model op de log-cumulatieve baseline hazard schaal.
  • Standaardfouten worden geschat met een gewogen block-jackknife.
• Robuustheid: De methode is ontworpen om robuust te zijn tegenover verschillende censeringsscenario's, vaste effecten (zoals geslacht en leeftijd) en verschillende verdelingen van de overlevingstijd (bijv. Weibull-verdeling met verschillende vormparameters).

Belangrijkste Bijdragen

1. Eerste semi-parametrische TTE-erfelijkheidsmethode: COXMM is, voor zover bekend, de enige semi-parametrische methode die erfelijkheid schat voor TTE-eigenschappen zonder strikte parametrische aannames over de baseline hazard (in tegenstelling tot Accelerated Failure Time modellen).
2. Validatie via simulaties: Uit uitgebreide simulaties blijkt dat COXMM bijna onbevooroordeelde (unbiased) schattingen oplevert onder een TPGM, terwijl conventionele methoden (case-control of alleen leeftijd van onset) de erfelijkheid sterk onderschatten, vooral bij lage prevalentie.
3. Voorspellende waarde: De auteurs tonen aan dat de door COXMM geschatte erfelijkheid correleert met de verwachte voorspellingsnauwkeurigheid (pseudo-$R^2$) van polygenische scores in survival analyses.
4. Toepassing op real-world data: De methode is toegepast op een breed scala aan eigenschappen in de UK Biobank, waaronder cardiovasculaire ziekten en ziekteprogressie.

Resultaten

• Simulaties: COXMM leverde nauwkeurige schattingen op voor TTE-eigenschappen. Conventionele methoden (HE-Reg op case-control of leeftijd van onset) waren sterk vertekend (downward biased) wanneer de data gegenereerd was onder een TTE-model.
• Cardiovasculaire eigenschappen (UK Biobank): Bij toepassing op zeven cardiovasculaire eigenschappen bleken de erfelijkheidsschattingen van COXMM en case-control HE-Reg statistisch niet van elkaar te verschillen. Dit suggereert dat de genetische architectuur van deze eigenschappen een combinatie is van een TTE-model en een LTM-model, in plaats van een puur TTE-model.
• Ziekteprogressie (Interval eigenschappen): Bij analyse van 18 progressie-eigenschappen (tijd tussen een index-gebeurtenis en een terminale gebeurtenis) was de erfelijkheid voor progressie consistent lager dan voor de terminale ziekte (all-cause incidentie).
  • Dit suggereert dat de overgang naar een ernstige toestand (bijv. van hypertensie naar hartfalen) sterkere omgevingsinvloeden heeft (bijv. door therapieën) dan de initiële ziekteontwikkeling.
  • COXMM toonde aan dat individuen die een terminale ziekte ontwikkelden zonder een tussenliggende index-gebeurtenis, een hogere erfelijkheid hadden dan de gemiddelde progressie, wat wijst op verschillende genetische paden.
• GWAS en Polygenic Risk Scores (PRS):
  • TTE-GWAS (met SPACox) identificeerde meer onafhankelijke loci dan case-control GWAS voor leeftijdsgerelateerde eigenschappen.
  • PRS's gebaseerd op zowel TTE als case-control modellen waren vaak gezamenlijk voorspellend voor de uitkomst, wat bevestigt dat de genetische architectuur een mengsel is van varianten die de liability bepalen en varianten die de timing bepalen.
  • Nieuwe genetische associaties werden gevonden voor ziekteprogressie (bijv. rs543040 voor progressie van hypertensie naar type 2 diabetes) die niet zichtbaar waren in standaard case-control analyses.

Significantie en Conclusie

De studie introduceert COXMM als een essentieel hulpmiddel voor het ontrafelen van de genetische architectuur van longitudinale ziekte-eigenschappen. De belangrijkste inzichten zijn:

• Nieuw perspectief: Veel complexe eigenschappen worden niet puur door een "ja/nee" liability bepaald, maar door een dynamisch proces waarbij genetiek zowel de kans als de timing van ziektebeïnvloedt.
• Omgevingsinvloed: Het feit dat ziekteprogressie vaak een lagere erfelijkheid heeft dan ziekte-incidentie, wijst erop dat behandelingen en omgevingsfactoren een grote rol spelen in de snelheid van ziekteprogressie.
• Toekomstige richting: COXMM biedt een kader voor het analyseren van rijke longitudinale datasets in biobanken. Het stelt onderzoekers in staat om onderscheid te maken tussen genetische varianten die de ziekteverwantschap bepalen en die welke de leeftijd van onset bepalen, wat cruciaal is voor het verbeteren van ziektevoorspelling en het begrijpen van ziektemechanismen.

De auteurs erkennen beperkingen, zoals de hoge rekenkosten (die batch-verwerking vereist) en de noodzaak voor verdere validatie bij concurrerende risico's, maar benadrukken dat COXMM een unieke en waardevolle toevoeging is aan het genetisch epidemiologisch gereedschapskist.