Scalable penalized regression boosts accuracy and computational efficiency for single- and cross-ancestry polygenic prediction

Technische Samenvatting: Schaalbare Gepenaliseerde Regressie voor Polygene Predictie

Probleemstelling
Polygenetische scores (PGS) bieden potentieel voor vroege risicostratificatie van complexe ziekten, maar worden geconfronteerd met twee primaire beperkingen: een afweging tussen adaptieve SNP-shrinkage en computationele efficiëntie, en een wijdverbreide Eurocentrische bias in Genome-Wide Association Studies (GWAS).

1. Computationele versus Adaptieve Afweging: Bestaande Bayesiaanse methoden (bijv. LDpred2, PRS-CS) maken gebruik van flexibele priors voor adaptieve shrinkage, maar vertrouwen op Markov Chain Monte Carlo (MCMC)-procedures, wat resulteert in hoge computationele kosten. Daarentegen zijn gepenaliseerde regressiemethoden (bijv. Lassosum) computationeel efficiënt, maar passen ze vaak niet-adaptieve shrinkage toe die niet varieert met de onderliggende effectgrootteverdelingen.
2. Afkomst-bias en Overdraagbaarheid: De meeste GWAS worden uitgevoerd in Europese (EUR) populaties. PGS getraind op EUR-data verliezen vaak meer dan 50% van hun nauwkeurigheid wanneer ze worden toegepast op niet-Europese populaties (bijv. Oost-Aziatisch, Afrikaans, Zuid-Aziatisch) vanwege heterogeniteit in genetische effectgroottes, allelfrequenties en linkage disequilibrium (LD)-patronen. Bovendien lijden cross-afkomst methoden vaak aan zware computationele kosten en een gebrek aan rigoureuze validatie in Oost-Aziatische cohorten.

Methodologie
De auteurs stellen een schaalbaar gepenaliseerd regressiekader voor dat spike-and-slab LASSO-straffen integreert binnen een ensemblemodel om zowel adaptieve shrinkage als computationele efficiëntie te bereiken. Het framework bestaat uit twee methoden:

1. Spike-and-Slab Lassosum (SSL): Ontworpen voor predictie binnen een enkele afkomst.

   • Mechanisme: Het vervangt de constante straf in standaard LASSO door een data-gedreven adaptieve straf afgeleid van een spike-and-slab prior. Deze prior modelleert SNP-effecten als een mengeling van een "slab" (Laplace-distributie met een kleine $\lambda_1$ voor grote effecten) en een "spike" (Laplace-distributie met een grote $\lambda_0$ voor kleine effecten).
   • Optimalisatie: Het model maximaliseert een gepenaliseerde likelihood met behulp van coördinatendaling-algoritmen (coordinate descent). Het benadert de likelihood met behulp van GWAS-samenvattingsstatistieken en een referentie LD-matrix.
   • Ensemble Learning: In plaats van één optimale set tuningparameters te selecteren, genereert SSL een reeks PGS'en over een grid van parameters ($\lambda_0, \lambda_1, \theta, s$) en combineert deze met het SuperLearner ensemble-algoritme (gebruikmakend van LASSO, ridge of lineaire regressie) om de uiteindelijke score te produceren.

2. Prior Spike-and-Slab Lassosum (pSSL): Een uitbreiding voor cross-afkomst predictie.

   • Mechanisme: pSSL incorporeert voorkennis van een hulp-populatie (bijv. EUR) in het model van de doelpopulatie via een hyperparameter $\eta \in [0,1]$. Dit wordt bereikt door een regularisatieterm toe te voegen die fungeert als een transfer learning-component, wat effectief een Gaussische prior oplegt gecentreerd op de hulp-predictievector.
   • Datavereisten: In tegenstelling tot sommige cross-afkomst methoden vereist pSSL alleen samenvattingsstatistieken van de hulp-populatie en heeft het geen individuele-niveau data of LD-matrices van de hulp-populatie nodig, enkel van de doelpopulatie.
   • Ensemble: Vergelijkbaar met SSL genereert het meerdere modellen over een grid van parameters (inclusief $\eta$) en combineert deze via ensemble learning.

Belangrijkste Bijdragen

• Algoritmische Innovatie: De integratie van spike-and-slab LASSO in een gepenaliseerd regressiekader maakt adaptieve shrinkage mogelijk (het behouden van sterke signalen terwijl zwakke signalen worden onderdrukt) zonder de computationele last van MCMC.
• Schaalbaarheid: De methoden maken gebruik van coördinatendaling en LD-blokdecompositie, wat de runtime en het geheugengebruik aanzienlijk vermindert in vergelijking met Bayesiaanse benaderingen.
• Cross-Afkomst Framework: pSSL biedt een praktische oplossing om grote EUR GWAS-samenvattingsstatistieken te benutten om de predictie in ondervertegenwoordigde populaties te verbeteren, zonder dat complexe multi-populatie LD-modellering of hulp-individuele-niveau data vereist is.

Resultaten

• Simulaties (Enkele Afkomst): In 11 simulatiescenario's die diverse genetische architecturen beslaan (ijl, infinitesimal en hybride), rangschikte SSL als eerste in 54,5% van de scenario's en als tweede in 18,2%. Het bereikte een gemiddelde $R^2$-verbetering van 39,7% ten opzichte van C+T, 10,2% ten opzichte van Lassosum en 4,5% ten opzichte van PRS-CS.
• Simulaties (Cross-Afkomst): In 72 cross-afkomst simulatiesettings rangschikte pSSL als eerste in 50,0% van de scenario's, waarbij het PRS-CSx (27,8%), CT-SLEB (18,1%) en PROSPER (2,7%) overtrof. Het voordeel was het meest uitgesproken in Afrikaanse (AFR) populaties, waar pSSL een gemiddelde $R^2$-winst behaalde van 14,4% ten opzichte van CT-SLEB.
• Real-Data Analyse (UK Biobank & Dongfeng-Tongji):
  • Enkele Afkomst: Over 32 complexe kenmerken behaalde SSL de optimale nauwkeurigheid voor 90,6% (UKB) en 84,4% (DFTJ) van de kenmerken. Het verbeterde de $R^2$ met gemiddeld 7,8% (UKB) en 10,4% (DFTJ) ten opzichte van PRS-CS.
  • Cross-Afkomst: In de DFTJ-cohort (Oost-Aziatische doelpopulatie) rangschikte pSSL als eerste voor 71,9% van de kenmerken, wat een gemiddelde $R^2$-winst opleverde van 12,3% ten opzichte van PRS-CS. Het presteerde opmerkelijk beter dan anderen bij lipiden- en rode bloedcelkenmerken.
• Computationele Efficiëntie:
  • SSL verminderde de runtime tot ongeveer een derde van PRS-CS (32,5 min vs. 120,7 min) en gebruikte minder dan een vijfde van het geheugen (9,0 GB vs. 54,3 GB).
  • pSSL vereiste ~1/6 van de runtime van PRS-CSx (56,3 min vs. 319,0 min) en minder dan 1/4 van het geheugen.

Betekenis en Claims
Het artikel claimt dat SSL en pSSL er succesvol in zijn geslaagd de kloof te overbruggen tussen de computationele schaalbaarheid van gepenaliseerde regressie en de data-adaptieve shrinkage van Bayesiaanse methoden.

• Gelijkheid: Door superieure prestaties in Oost-Aziatische en Afrikaanse populaties aan te tonen, met name via het pSSL-framework, stellen de auteurs dat deze methoden een groot potentieel hebben om de rechtvaardige toepassing van PGS over diverse populaties te bevorderen.
• Praktische Bruikbaarheid: Het vermogen om samenvattingsstatistieken van hulp-populaties te gebruiken zonder de individuele-niveau data of LD-matrices van die populaties nodig te hebben, maakt pSSL tot een praktisch instrument om de predictie in onderverteeldere groepen te verbeteren waar grootschalige GWAS schaars zijn.
• Beperkingen: De auteurs merken op dat hun analyse beperkt was tot HapMap3 SNP's, wat de prestaties in niet-Europese groepen kan onderschatten. Daarnaast vereist de ensemble-aanpak voldoende tuning-samples (1.500–3.000), en is het huidige pSSL-framework beperkt tot twee-populatie-analyse, hoewel dit als een pragmatische keuze wordt gepresenteerd gezien de huidige datalandschappen.

De auteurs concluderen dat deze methoden het vakgebied vooruithelpen door nauwkeurige, efficiënte en schaalbare single- en cross-afkomst PGS-predictie mogelijk te maken.