A rotated multivariate linear mixed model for dual large-scale genome-wide association study

Technische Samenvatting: Een Geroteerd Multivariaat Lineair Gemengd Model voor Duale Grootschalige Genoombrede Associatiestudies

Probleemstelling
Het artikel adresseert twee kritieke knelpunten in moderne Genoombrede Associatiestudies (GWAS) die gebruikmaken van biobank-schaal data: de afruil tussen computationele efficiëntie en statistische kracht in multi-trait analyses, en het onvermogen van bestaande methoden om te schalen naar zowel enorme steekproefomvang ($n > 300.000$ individuen) als hoog-dimensionale fenotypes (bijv. $>10$ kenmerken). Hoewel Lineaire Gemengde Modellen (LMM's) effectief de populatiestratificatie en de verwantschap binnen steekproeven controleren, zijn huidige state-of-the-art tools zoals GEMMA computationeel onhandelbaar voor grootschalige multi-trait GWAS. De afhankelijkheid van GEMMA van Newton-Raphson optimalisatie voor de schatting van de covariantie-matrix resulteert in een tijdscomplexiteit van $O(nd^6)$, wat het onpraktisch maakt voor datasets met een grote $n$ (steekproefomvang) en $d$ (aantal fenotypes). Bovendien worden dimensiereductiemethoden zoals Principal Component Analysis (PCA) als suboptimaal beschouwd, omdat het weggooien van componenten met een lage variantie de kracht om pleiotrope varianten te detecteren ernstig kan verminderen.

Methodologie: RmvLMM
De auteurs stellen het Rotated multivariate Linear Mixed Model (RmvLMM) voor, een statistisch raamwerk dat specifiek is ontworpen voor "duale grootschalige" scenario's (grote $n$ en grote $d$). De methodologie integreert vier belangrijke technische innovaties:

1. Orthogonale Rotatietransformatie:
   In plaats van gecorreleerde kenmerken direct te analyseren, gebruikt RmvLMM een reeks van drie opeenvolgende eigendecomposities om een orthogonale rotatie uit te voeren. Deze transformatie ontkoppelt de meerdere fenotypes, waardoor het multivariate lineaire gemengde model (mvLMM) wordt omgezet in $d$ onafhankelijke univariate lineaire regressiemodellen. Deze stap benadrukt significante genetische signalen terwijl niet-significante signalen als ruis worden behandeld, wat de associatiekracht verhoogt.

2. MoM-REML Iteratief Algoritme:
   Om de polygene covariantie-matrix ($V_b$) en fout-covariantie-matrix ($V_e$) te schatten, hebben de auteurs een nieuw snel iteratief algoritme ontwikkeld genaamd MoM-REML. Deze methode integreert de Method-of-Moments (MoM) met Restricted Maximum Likelihood (REML). Door een gesloten vormelijke expressie af te leiden die de relatie tussen $V_b$ en $V_e$ binnen het geroteerde model karakteriseert, vermijdt het algoritme de computationeel dure inversie en determinantberekeningen van de volledige $nd \times nd$ covariantie-matrix. Dit vermindert de tijdscomplexiteit-afhankelijkheid van de fenotypische dimensie van $O(d^6)$ (in GEMMA) naar $O(d^2)$, met een algehele complexiteit van $O(nd^2)$.

3. TOP2 en TOP2-O Statistieken:
   Voor associatietesten voert RmvLMM F-testen uit op de geroteerde univariate modellen. Het introduceert een nieuwe p-waarde combinatie-statistiek, TOP2, die de twee kleinste p-waarden uit de $d$ univariate testen aggregeert met behulp van de Fisher-combinatiemethode. De exacte distributie van TOP2 wordt analytisch afgeleid. Voor biobank-schaal steekproeven waar volledige eigendecompositie van de verwantsheidsmatrix $K$ onhaalbaar is, breidt de methode dit uit naar TOP2-O, een omnibus-statistiek. TOP2-O aggregeert bewijs over meerdere disjuncte steekproefgroepen via een "verdeel-en-combineer"-strategie. De nulverdeling wordt empirisch gekalibreerd en gefit met behulp van een gegeneraliseerde gamma-distributie, waardoor expliciete modellering van inter-groep correlaties wordt vermeden.

4. Divided-and-Combined Strategie:
   Om de biobank-schaal steekproefomvang aan te kunnen, wordt de dataset opgedeeld in disjuncte groepen. Associatiebewijs wordt binnen elke groep geëvalueerd en gecombineerd tot een enkele omnibus-test. Deze aanpak omzeilt de noodzaak om de volledige steekproefverwantsheidsmatrix $K$ te construeren of te decomponeren, wat een bijna lineaire schaling met de steekproefomvang mogelijk maakt.

Belangrijkste Resultaten

• Computationele Efficiëntie: In simulaties met $n=5.000$ en $d=20$ was RmvLMM meer dan 50 keer sneller dan GEMMA voor een volledige genome-wide scan (voltooide in <2% van de tijd). Voor parameterschatting bereikte RmvLMM een versnelling van ongeveer 150 keer. In tegenstelling tot GEMMA, dat niet schaalt bij $n > 50.000$, vertoonde RmvLMM een bijna lineaire schaling en verwerkte cohorten van 300.000 individuen in ongeveer 3,13 uur.
• Statistische Kracht: RmvLMM presteerde consistent beter dan GEMMA qua statistische kracht in alle gesimuleerde scenario's. Bij een strikte significantiedrempel ($\alpha = 1 \times 10^{-7}$) behaalde RmvLMM meer dan 10% hogere kracht dan GEMMA. Bijvoorbeeld, met $n=1.000$ en $d=10$, bereikte RmvLMM krachten van 52,4%–73,1% vergeleken met GEMMA's 40,5%–62,2% over variërende minor allele frequenties.
• Fout-positief ratio (FPR): Beide methoden behielden goed gekalibreerde FPR's in alle settings, wat bevestigt dat de verhoogde kracht niet ten koste ging van een inflatie van fout-positieven.
• Toepassing op UK Biobank: Toegepast op 26 bloedbiochemische kenmerken in 323.839 European-ancestry individuen, identificeerde RmvLMM 1.325 significante SNP's die mappen naar 373 genen. Hiervan hadden 309 genen ondersteuning in de literatuur. Opvallend genoeg identificeerde de analyse 10 pleiotrope genen die gevalideerd zijn als drug targets (bijv. PCSK9, HMGCR), wat overeenkomt met 29 klinisch ontwikkelde medicijnen. Pathway-verrijking bevestigde associaties met lipidenmetabolisme en cholesterolhomeostase.

Betekenis en Claims
Het artikel claimt dat RmvLMM een krachtig en schaalbaar raamwerk biedt dat de historische afruil tussen computationele efficiëntie en statistische kracht in multi-trait GWAS oplost. Door gebruik te maken van orthogonale rotatie en een paralleliseerbare verdeel-en-combineer-strategie, maakt het de analyse van biobank-schaal steekproeven met hoog-dimensionale fenotypes mogelijk, een taak die voorheen als computationeel onhandelbaar werd beschouwd.

De auteurs positioneren RmvLMM als een tool om de dissectie van de gedeelde genetische architectuur van complexe kenmerken en de identificatie van pleiotrope varianten te faciliteren. Zij merken op dat de methode bijzonder effectief is voor het detecteren van SNP's die geassocieerd zijn met ten minste één fenotype in een set, maar erkennen een beperking: het identificeert niet inherent welk specifiek fenotype de associatie drijft, waarbij een twee-fasen follow-up wordt aanbevolen (screening gevolgd door PheWAS) voor precieze afbakening. De methode is momenteel beperkt tot continue kenmerken en ondersteunt nog geen binaire of ordinale fenotypes. De software wordt als open source vrijgegeven om verdere grootschalige genetische ontdekking te ondersteunen.