Joint Bayesian modelling of molecular QTL and GWAS effects improves polygenic prediction for complex traits

Dit artikel introduceert SBayesCO, een Bayesiaans raamwerk dat genomische associatiestudies en moleculaire QTL-data gezamenlijk modelleert om de polygenische voorspelling van complexe eigenschappen en de prioritering van SNP's significant te verbeteren ten opzichte van bestaande methoden.

De kern

Stel je voor dat je probeert het weer te voorspellen. Je hebt een enorme hoeveelheid data: temperatuur, luchtdruk, windrichting, vochtigheid. Maar het weer is zo complex dat het moeilijk is om te zeggen of het morgen gaat regenen of niet.

In de genetica is dat heel vergelijkbaar. Wetenschappers proberen te voorspellen of iemand een bepaalde ziekte of eigenschap (zoals cholesterol of astma) zal ontwikkelen, gebaseerd op hun DNA. Ze hebben duizenden kleine stukjes DNA (SNP's) die een klein beetje bijdragen aan het resultaat.

Het probleem? De meeste van deze stukjes DNA zijn als ruis op de radio. Ze geven een signaal, maar het is moeilijk om te weten welke stukjes echt belangrijk zijn en welke alleen maar meedraaien omdat ze dichtbij een belangrijk stukje zitten.

De oude manier: Luisteren naar de radio
Tot nu toe keken onderzoekers vooral naar de "radio" (het DNA) en probeerden ze te raden welke knoppen ze moesten draaien. Ze gebruikten modellen die alle knoppen gelijk zagen, of ze zagen alleen of een knop "aan" of "uit" stond. Dat werkte redelijk, maar kon niet goed onderscheid maken tussen de echte regelaars en de ruis.

De nieuwe uitvinding: SBayesCO
In dit artikel introduceren de auteurs een slimme nieuwe methode genaamd SBayesCO.

Stel je voor dat je niet alleen naar de radio kijkt, maar ook naar een live-weerstation dat precies laat zien welke knoppen de wind en de temperatuur daadwerkelijk beïnvloeden.

• Het DNA is de radio.
• Het molecuul (zoals een eiwit of gen) is het weerstation.
• De ziekte is of het morgen regent.

SBayesCO kijkt niet alleen naar de radio, maar koppelt die direct aan het weerstation. Het vraagt: "Als ik deze knop op de radio draai, verandert het weerstation dan? En als het weerstation verandert, verandert de kans op regen dan?"

Waarom is dit zo slim?

1. Het ziet de connectie: De meeste oude methoden zagen alleen of een knop "aan" of "uit" stond (zoals een lichtschakelaar). SBayesCO kijkt naar de kracht van de schakelaar. Hoe harder je draait, hoe meer effect het heeft. Dit is als het verschil tussen zeggen "de schakelaar staat aan" versus "de schakelaar staat op 80%". Die extra informatie maakt het voorspellen veel nauwkeuriger.
2. Het filtert de ruis: Door te kijken naar het weerstation (het molecuul), kan het model zien welke knoppen op de radio echt invloed hebben op het weer. Knoppen die wel op de radio staan, maar het weerstation niet beïnvloeden, worden genegeerd. Dit maakt de voorspelling veel scherper.
3. Het werkt ook als je weinig data hebt: Stel je voor dat je maar een klein beetje weerdata hebt. Normaal gesproken zou je voorspelling dan heel slecht zijn. Maar omdat SBayesCO ook het grote weerstation (dat al jaren data verzamelt) gebruikt, kan het toch een goede voorspelling doen, zelfs met weinig eigen data.

Wat hebben ze ontdekt?
De onderzoekers hebben deze methode getest op 11 verschillende eigenschappen, zoals bloedwaarden en ziektes.

• Ze zagen dat de voorspellingen beter werden dan met de oude methoden.
• Het was vooral effectief als je keek naar eiwitten (pQTLs). Eiwitten zijn als het "laatste stukje" in de keten voordat het effect zichtbaar wordt in het lichaam. Het is alsof je niet alleen kijkt naar de wind, maar ook naar de regen die al begint te vallen; dat geeft de beste voorspelling voor de overstroming.
• Het hielp ook om de juiste schuldigen te vinden. In plaats van te zeggen "het is waarschijnlijk een van deze vijf knoppen", kon het model zeggen: "Het is bijna zeker deze ene knop."

Conclusie
Kortom: SBayesCO is als het hebben van een superkrachtige detective die niet alleen naar de verdachte kijkt, maar ook naar de bewijsstukken in de buurt. Door de link te leggen tussen het DNA en de biologische processen (zoals eiwitten) die het DNA aanstuurt, kunnen we ziektes en eigenschappen veel beter voorspellen. Dit is een grote stap voorwaarts voor de toekomst van geneeskunde en persoonlijke gezondheidszorg.

Technische samenvatting

Probleemstelling

Polygenische risicoscores (PRS) voor complexe eigenschappen worden momenteel voornamelijk gebaseerd op Genome-Wide Association Studies (GWAS). Hoewel duizenden varianten zijn geïdentificeerd, blijft de voorspellende nauwkeurigheid beperkt omdat veel geassocieerde varianten niet causaal zijn en slechts een klein deel van de SNP-erfelijkheid verklaren. Bestaande methoden (zoals LDpred, BayesR, SBayesR) gebruiken vaak mengverdelingen om de genetische architectuur te modelleren, maar integreren zelden functionele genomische informatie op een kwantitatieve manier.

Huidige benaderingen die functionele annotaties gebruiken (zoals SBayesRC of PolyFun), behandelen deze annotaties vaak als binaire indicatoren (bijv. "zit de SNP in een promoter?"). Dit negeert de kwantitatieve grootte en richting van het regulatoire effect (bijv. hoe sterk een SNP de genexpressie beïnvloedt). Molecular Quantitative Trait Loci (molQTL), zoals eQTLs (genexpressie) en pQTLs (proteïne-abundantie), bieden niet alleen bewijs van regulatie, maar ook schattingen van de effectgrootte. Het onderbenutten van deze kwantitatieve informatie beperkt het vermogen om causale varianten te onderscheiden van gekoppelde SNPs en de onderliggende causale verdeling te karakteriseren.

Methodologie: SBayesCO

De auteurs introduceren SBayesCO, een Bayesiaanse raamwerk dat GWAS- en molQTL-effectgroottes gezamenlijk modelleert.

• Kernconcept: Het model behandelt de complexe eigenschap en de moleculaire fenotypes (bijv. genexpressie of proteïnelevels) als genetisch gecorreleerde eigenschappen.
• Bivariate Mixture Model: In tegenstelling tot eerdere modellen die annotaties als gewichten gebruiken, gebruikt SBayesCO een bivariate prior. Dit stelt het model in staat om voor elke SNP in cis-regio's (±1 Mb rond een gen) drie scenario's te onderscheiden:
  1. De SNP heeft alleen een effect op de complexe eigenschap.
  2. De SNP heeft alleen een effect op het moleculaire fenotype.
  3. De SNP heeft een pleiotroop effect op beide (met een geschatte genetische covariantie).
• Genomische Partitionering:
  • Genische regio's: SNPs binnen cis-regio's worden gemodelleerd met een "Either-In-Either-Out" (EIEO) prior. Dit maakt het mogelijk om zowel eigenschap-specifieke als gedeelde effecten te schatten, waarbij de kwantitatieve molQTL-effectgroottes direct worden gebruikt om de waarschijnlijkheid van opname en de variantie van de effecten te bepalen.
  • Intergene regio's: SNPs buiten genen worden gemodelleerd als een univariate component (alleen effect op de complexe eigenschap) om resterende polygenische signalen te vangen.
• Implementatie: Het model is geïmplementeerd in de BayesOmics software-suite en werkt met zowel individuele data als samenvattingsstatistieken (summary-level data). Het gebruikt Gibbs-sampling voor inferentie.
• Vergelijking: De prestaties werden vergeleken met:
  • SBayesC: Een baseline model zonder annotaties.
  • SBayesCC: Een variant die molQTL's behandelt als binaire annotaties (aanwezig/afwezig in cis-regio), vergelijkbaar met SBayesRC.

Belangrijkste Bijdragen

1. Kwantitatieve Integratie: Het is de eerste methode die molQTL-effectgroottes direct integreert in een Bayesiaanse polygenische voorspellingsmodel via een bivariate prior, in plaats van ze te reduceren tot binaire labels.
2. Verbeterde Prioritering: Het model verbetert de prioritering van SNPs door posterior opnamekansen (PIP) te concentreren op varianten met sterke regulatoire effecten, wat leidt tot betere fine-mapping.
3. Software Beschikbaarheid: De auteurs hebben een gebruiksvriendelijke C++ en R-implementatie (BayesOmics) vrijgegeven die zowel summary-data als individuele data ondersteunt.

Resultaten

1. Simulatiestudies:

• SBayesCO presteerde consistent beter dan SBayesC, vooral bij kleinere GWAS-steekproefgroottes.
• In scenario's met causale mediatie (waarbij de SNP de eigenschap beïnvloedt via genexpressie) leverde het integreren van grotere eQTL-steekproeven (tot 50K) aanzienlijke winst op.
• Zelfs bij realistische genetische architecturen (met een mix van mediatie en pleiotropie) behaalde SBayesCO een hogere voorspellende nauwkeurigheid.

2. Toepassing op UK Biobank Data (11 Bloed- en Immuun-eigenschappen):

• Voorspellende Nauwkeurigheid: SBayesCO leidde tot relatieve verbeteringen in $R^2$ van maximaal 6,3% met pQTL-data en 5,3% met eQTL-data ten opzichte van SBayesC.
• Vergelijking met Binaire Modellen: De verbetering was significant groter dan bij SBayesCC (binaire annotaties). SBayesCC leverde soms zelfs een daling in nauwkeurigheid op, wat suggereert dat het behandelen van molQTL's als binaire labels ruis introduceert en signaalverlies veroorzaakt.
• pQTL vs. eQTL: Over het algemeen presteerde het model met pQTL-data iets beter dan met eQTL-data, wat suggereert dat proteïne-abundantie dichter bij de biologische mechanismen van complexe eigenschappen ligt dan genexpressie.

3. Trans-ancestrie Voorspelling:

• Bij toepassing op niet-Europese populaties (Afrikaans, Oost-Aziatisch, Zuid-Aziatisch) bleek de voorspelbaarheid heterogeen.
• De grootste winst werd gezien in de Zuid-Aziatische (SAS) populatie, die genetisch het dichtst bij de Europese populatie staat. Hier verbeterde SBayesCO de voorspelling voor ziekten en bloedceltellingen aanzienlijk (tot +12,8% voor Dyslipidemie).
• In meer genetisch verschillende populaties (AFR, EAS) waren de verbeteringen beperkt of inconsistent, wat wijst op de uitdagingen van trans-ancestrie transferabiliteit.

4. SNP Prioritering en Fine-Mapping:

• SBayesCO concentreerde de Posterior Inclusion Probabilities (PIP) sterk op regulatoire regio's (genic-eQTL/pQTL) en verarmde intergene signalen.
• In specifieke voorbeelden (bijv. cholesterol en plaatelaantal) slaagde SBayesCO erin om de causale variant binnen een LD-cluster (Linkage Disequilibrium) scherper te identificeren dan GWAS alleen of binaire modellen, door gebruik te maken van de kwantitatieve molQTL-informatie.

Significantie en Conclusie

De studie demonstreert dat het modelleren van kwantitatieve molQTL-effectgroottes superieur is aan het gebruik van binaire functionele annotaties voor polygenische voorspelling. Door de genetische covariantie tussen moleculaire fenotypes en complexe eigenschappen expliciet te modelleren, kan SBayesCO causale varianten beter onderscheiden en de voorspellende nauwkeurigheid verhogen, zelfs bij beperkte GWAS-steekproefgroottes.

De bevindingen bieden een richtlijn voor de toekomstige integratie van functionele genomische data, waaronder AI-gedreven voorspellingen van regulatoire effecten. In plaats van deze als eenvoudige labels te gebruiken, zou het modelleren van de kwantitatieve grootte van deze effecten in multivariate frameworks de prestaties van polygenische scores en fine-mapping aanzienlijk kunnen verbeteren. Dit is een belangrijke stap naar meer nauwkeurige en biologisch interpreteerbare genetische risicoprofielen voor complexe ziekten.