Resumo Técnico: Regressão Esparsa Guiada por Univariáveis para Dados Ómicos de Escala de Biobanco de Alta Dimensionalidade

Definição do Problema

O artigo aborda o desafio de realizar regressão esparsa em dados genómicos de ultra-alta dimensionalidade, especificamente no contexto da construção de Pontuações de Risco Poligénico (PRS) utilizando conjuntos de dados de escala de biobanco, como o UK Biobank. Nestes cenários, o número de preditores (SNPs, $p$) excede vastamente o número de observações ($n$), muitas vezes com $p > 1.000.000$ e $n \approx 500.000$.

As abordagens de regressão padrão enfrentam três dificuldades principais neste domínio:

1. Inviabilidade Computacional: Ajustar modelos multivariados em milhões de SNPs para centenas de milhares de indivíduos é computacionalmente proibitivo, particularmente quando se utiliza validação cruzada para o ajuste de hiperparâmetros.
2. Preditores Correlacionados (Desequilíbrio de Ligação): Os SNPs existem em blocos de alta correlação. Os métodos multivariados padrão frequentemente têm dificuldade em decidir se devem selecionar um conjunto esparso de representantes ou distribuir ("espalhar") os efeitos através de muitas variáveis correlacionadas, levando a modelos densos e de difícil interpretação.
3. Privacidade de Dados e Integração: Na investigação biomédica, os dados brutos ao nível do indivíduo são frequentemente restritos devido a regulamentos de privacidade. Os investigadores dependem frequentemente de estatísticas de resumo de coortes externas (ex: FinnGen) em vez de conjuntos de dados completos, o que torna difícil integrar esta informação externa num modelo multivariado esparso unificado.

Historicamente, a construção de PRS tem dependido de um pipeline de duas etapas: um Estudo de Associação Genómica Ampla (GWAS) univariável seguido de um método de encolhimento ou seleção post-hoc (ex: clumping and thresholding, LDpred, PRS-CS). Os autores argumentam que esta abordagem é subótima porque a primeira etapa trata os SNPs isoladamente, levantando vizinhanças inteiras de SNPs correlacionados, enquanto a segunda etapa tenta corrigir este erro de contagem dupla, resultando frequentemente em preditores densos com tamanhos de efeito achatados.

Metodologia: Omni-adaptado uniLasso

Os autores propõem uma adaptação escalável da Regressão Esparsa Guiada por Univariáveis (uniLasso), originalmente introduzida por Chatterjee et al. [2025], adaptada para dados de escala de biobanco. O método é um procedimento de regressão penalizada de duas etapas que aproveita coeficientes univariáveis para guiar a seleção multivariada.

O Algoritmo

1. Etapa 1: Pré-computação Univariável:
   Para cada SNP $j$, o algoritmo calcula interceptos univariáveis ($\hat{\beta}_{0j}$) e inclinações ($\hat{\beta}_j$). Crucialmente, calcula valores ajustados de Leave-One-Out (LOO) ($\hat{y}^{-i}_{ij}$) para criar uma matriz de características $F$. O uso de valores LOO em vez de estimativas brutas força a etapa de seleção subsequente a depender de sinais preditivos fora da amostra (out-of-sample) em vez de ruído dentro da amostra (in-sample).

   • Otimização: Para lidar com a escala, os autores vetorizaram estas computações e as paralelizaram em núcleos de CPU utilizando o pacote Adelie em Python.

2. Etapa 2: Regressão Esparsa Guiada:
   Um Lasso não negativo é ajustado utilizando as predições LOO em $F$ como características para prever a resposta $y$.

   • Restrição de Sinal: Os coeficientes $\theta_j$ nesta etapa são restritos a serem não negativos. O coeficiente multivariado final é recuperado como $\hat{\gamma}_j = \hat{\beta}_j \hat{\theta}_j$. Isto garante que o sinal do coeficiente final corresponda ao sinal do coeficiente univariável (ou seja zero), prevenindo reversões de sinal que complicam a interpretação.
   • Tratamento de Respostas Binárias: Para resultados binários, o método utiliza regressão logística penalizada. Como não existem soluções LOO de forma fechada para a perda logística, os autores utilizam Mínimos Quadrados Iterativamente Ponderados (IRLS) com uma aproximação para predições LOO proposta por Rad e Maleki [2020].

Modificações de Escalabilidade e Estabilidade

Para tornar o uniLasso viável para o UK Biobank, os autores introduziram várias modificações de engenharia e estatísticas críticas:

• Divisão de Dados: Em vez de validação cruzada $k$-fold (que é demasiado dispendiosa para $p \gg n$), utilizaram uma divisão de treino/validação/teste de 70/10/20 para ajustar o parâmetro de regularização $\lambda$.
• Filtragem de MAF: SNPs com Frequência de Alelo Menor (MAF) < 0.0005 foram excluídos para remover variantes raras que contribuem pouco para o poder preditivo e causam instabilidade.
• Estabilização de Variância: Para SNPs com baixa variância (mas MAF $\ge$ 0.0005), o denominador no cálculo da inclinação univariável ($S_{xx}$) foi regularizado adicionando o quinto percentil da distribuição empírica dos valores de $S_{xx}$. Isto evita a explosão de coeficientes em colunas quase constantes.
• Integração de Scores Externos (uniLasso ES): Para incorporar dados externos (ex: de FinnGen) sem acesso aos dados brutos, os autores adaptaram o termo de penalização. Utilizam coeficientes univariáveis externos ($\tilde{\beta}_j$) para definir pesos adaptativos ($|\tilde{\beta}_j|$) e restrições de sinal na penalização $\ell_1$ da regressão de segunda etapa, em vez de calcular estimativas LOO a partir dos dados de treino.

Principais Contribuições

1. Implementação Escalável de uniLasso: O artigo apresenta a primeira adaptação de uniLasso capaz de lidar com dados de escala de biobanco ($p \approx 10^6, n \approx 5 \times 10^5$) utilizando dados ao nível do indivíduo, superando as barreiras de memória e tempo da formulação original.
2. Integração de Dados Externos: Um quadro inovador para integrar estatísticas de resumo externas num modelo multivariado esparso, contornando a necessidade de partilha de dados brutos enquanto melhora a precisão preditiva.
3. Extensão para Resposta Binária: Uma extensão do algoritmo para fenótipos binários utilizando regressão logística e aproximações de ajustes LOO baseadas em IRLS.
4. Validação Empírica no UK Biobank: Uma avaliação abrangente em quatro fenótipos (Altura, IMC, CHD, Asma) comparando o método com o Lasso padrão, PRS-CS e outros modelos de referência.

Resultados

Os autores avaliaram os seus métodos no UK Biobank (restrito a indivíduos Brancos Britânicos) para fenótipos contínuos (Altura, IMC) e binários (CHD, Asma).

• Sparsidade vs. Performance:
  • O uniLasso alcançou um desempenho preditivo comparável ao Lasso padrão (ex: $R^2$ para Altura: 0.707 vs. 0.713), mas selecionou significativamente menos variantes.
  • Especificamente, o uniLasso selecionou 38% menos SNPs para Altura e 43% menos para IMC em comparação com o Lasso, com quedas negligíveis no $R^2$ (0.006 e 0.016, respetivamente).
  • Para traços binários como CHD, o uniLasso foi mais de 50% mais esparso do que o Lasso com um aumento de apenas 0.001 no erro de teste.
• Interpretabilidade:
  • Uma descoberta fundamental foi a eliminação das mudanças de sinal. No Lasso padrão, os coeficientes frequentemente invertem o sinal em relação aos seus efeitos univariáveis devido à correlação (ex: 12% dos coeficientes de Altura mudaram de sinal); o uniLasso, por construção, garante que todos os coeficientes não nulos mantenham o sinal do seu efeito univariável, aumentando significativamente a interpretabilidade.
• Scores Externos (uniLasso ES):
  • A integração de scores externos do FinnGen (uniLasso ES) resultou no melhor desempenho preditivo em todos os quatro fenótipos.
  • Para Altura, o uniLasso ES alcançou um $R^2$ de 0.716 (vs. 0.713 para o Lasso).
  • Apesar de utilizar dados externos, os modelos permaneceram significativamente mais esparsos do que o Lasso e o PRS-CS.
• Comparação com PRS-CS:
  • O PRS-CS, um método bayesiano denso, teve um desempenho inferior a todos os métodos baseados em Lasso e igualou-os apenas em CHD. O PRS-CS produziu modelos densos (utilizando todos os SNPs), enquanto o uniLasso ES manteve uma alta esparsidade.

Significância e Alegações

O artigo alega que o uniLasso oferece um compromisso superior entre precisão preditiva, esparsidade e interpretabilidade para dados genómicos de escala de biobanco.

• Desafio à Visão "Infinitesimal": Os resultados fornecem um contraponto empírico aos modelos estritamente "pangenómicos" ou infinitesimais (como PRS-CS ou LDpred-inf), que assumem que cada variante tem um efeito não nulo. Os autores argumentam que, para predição prática, uma visão "esparsa-poligénica" — onde algumas dezenas de milhares de variantes capturam a maior parte do sinal — é suficiente e mais robusta.
• Clareza Mecanística: Ao concentrar os pesos em (ou perto de) variantes verdadeiramente causais em vez de os distribuir por blocos de LD correlacionados, o uniLasso reduz a contribuição de "ruído" de SNPs de marcação (tag SNPs) não causais, potencialmente melhorando a robustez das estimativas de risco individual.
• Utilidade Prática: O método demonstra que é possível ajustar modelos multivariados diretamente em dados de nível individual de biobancos, indo além das limitações do tradicional pipeline de duas etapas GWAS-mais-PRS. A integração de estatísticas de resumo externas aumenta ainda mais esta utilidade em ambientes com restrições de privacidade.

Os autores concluem que, embora os modelos densos tenham valor quando apenas estatísticas de resumo estão disponíveis, a abordagem multivariada esparsa do uniLasso é altamente eficaz para cenários onde a interpretabilidade e a eficiência computacional são primordiais.