Two-Stage Multiple Test Procedures Controlling False Discovery Rate with auxiliary variable and their Application to Set4Delta Mutant Data

Título: Procedimentos de Teste Múltiplo em Duas Etapas Controlando a Taxa de Descoberta Falsa com Variável Auxiliar e sua Aplicação a Dados de Mutante Set4∆

1. Problema e Motivação

O artigo aborda o desafio de realizar testes de hipóteses múltiplas em cenários onde informações adicionais (variáveis auxiliares) estão disponíveis além dos valores-p tradicionais.

• Limitações dos Métodos Atuais: Muitos métodos existentes que incorporam covariáveis (como AdaFDR, IHW) impõem restrições rígidas sobre a distribuição dos valores-p sob a hipótese nula. Especificamente, assumem que os valores-p seguem uma distribuição uniforme independente da covariável ou possuem uma propriedade de "espelhamento" (simetria em torno de 0,5).
• O Cenário Real: Em dados reais (como os de expressão gênica), essas suposições frequentemente não se sustentam. A dependência entre a variável principal (ex: mudança de log-fold) e a variável auxiliar (ex: variabilidade/desvio padrão) pode ser complexa e não simétrica.
• Objetivo: Desenvolver metodologias que incorporem variáveis auxiliares para aumentar o poder estatístico (detectar mais genes verdadeiramente diferentes) sem violar o controle da Taxa de Descoberta Falsa (FDR), evitando suposições restritivas sobre a distribuição marginal dos valores-p.

2. Metodologia Proposta

Os autores propõem uma abordagem baseada na modelagem da distribuição conjunta da variável principal ($\beta$) e da variável auxiliar ($y$) utilizando a teoria das Cópulas.

• Estrutura do Modelo:

  • A variável principal ($\beta$) é modelada como uma mistura de distribuições nula ($f_0$) e alternativa ($f_1$).
  • A variável auxiliar ($y$) é tratada como uma variável aleatória com distribuição marginal estimada de forma não paramétrica (função de distribuição empírica).
  • A dependência entre $\beta$ e $y$ é capturada através de uma cópula, permitindo estimar a distribuição conjunta $G_0$ sob a hipótese nula sem assumir uniformidade ou simetria nos valores-p condicionais.

• Dois Procedimentos em Duas Etapas:
  Os autores propõem dois métodos distintos para controlar o FDR, ambos gerando um valor-p agregado ($p_i$) que segue uma distribuição uniforme sob a hipótese nula:

  1. Two-Stage FDR(H) (Thresholding "Hard" / Rígido):

     • Funciona como um filtro de triagem. Se o valor-p da variável auxiliar ($p_{1i}$) exceder um limiar $\gamma_1$, o teste da variável principal é interrompido e o gene não é considerado significativo, independentemente do valor-p principal.
     • Se passar no primeiro estágio, o valor-p principal ($p_{2i}$) é testado contra um limiar ajustado.
     • A região de rejeição tem formato retangular.

  2. Two-Stage FDR(S) (Thresholding "Soft" / Suave):

     • Não descarta genes no primeiro estágio. Em vez disso, ajusta a região de rejeição da variável principal com base no valor exato da variável auxiliar.
     • Calcula a distribuição condicional de $p_{2i}$ dado $p_{1i}$.
     • A região de rejeição é curva e adaptativa, permitindo que genes com valores-p auxiliares muito fortes sejam rejeitados mesmo com valores-p principais menos extremos, e vice-versa.

• Controle do FDR: Ambos os métodos utilizam o estimador de Storey para a proporção de verdadeiras nulas ($\hat{\pi}_0$) e garantem que o FDR estimado não exceda o nível $\alpha$ desejado, provando teoricamente que os valores-p agregados resultantes são uniformemente distribuídos sob a hipótese nula conjunta.

3. Resultados Principais

• Estudos de Simulação:

  • Os autores simularam dados com 8.000 pares de variáveis, utilizando uma cópula de Clayton para gerar dependência.
  • Comparação: Os métodos propostos (H e S) foram comparados com métodos de uma etapa (locfdr, Storey) e métodos assistidos por covariáveis existentes (IHW, Boca & Leek).
  • Desempenho: Os métodos de duas etapas controlaram o FDR com precisão (mantendo-o próximo ou abaixo do nível nominal) mesmo na presença de dependência, enquanto alguns métodos existentes falharam em controlar o FDR ou tiveram poder inferior.
  • Poder Estatístico: Os métodos propostos, especialmente o FDR(S), demonstraram uma Taxa de Verdadeiros Positivos (TPR) significativamente maior do que os métodos tradicionais, especialmente à medida que a dependência entre as variáveis aumentava.
  • Robustez: Mesmo quando a cópula foi mal especificada (escolhendo cópulas incorretas como BB7, BB6 ou Joe em vez da Clayton), os métodos propostos mantiveram o controle do FDR e alto poder, demonstrando robustez.

• Análise de Dados Reais (Set4∆mutant):

  • Contexto: Identificação de genes diferencialmente expressos em levedura (Saccharomyces cerevisiae) com mutação no gene Set4 sob estresse oxidativo.
  • Variáveis: Principal = Mudança de log-fold ($\beta$); Auxiliar = Desvio padrão das mudanças de log-fold (variabilidade).
  • Seleção de Cópula: A cópula de Clayton foi selecionada como a melhor ajuste baseada em critérios AIC, BIC e Log-Likelihood.
  • Resultados Quantitativos:
    • Métodos de uma etapa (locfdr, Storey): Rejeitaram ~249 a 424 genes.
    • Two-Stage FDR(H): Rejeitou 485 genes.
    • Two-Stage FDR(S): Rejeitou 582 genes, o maior número entre todos os métodos.
  • Descobertas Biológicas: O método FDR(S) foi capaz de identificar uma família de genes específica (HXT, transportadores de hexose) que os outros métodos perderam ou identificaram parcialmente. Esses genes estão envolvidos na resposta ao estresse e transporte de glicose sob condições de hipóxia, validando biologicamente a superioridade do método ao detectar genes conhecidos por serem regulados por Set4 em regiões subteloméricas.

4. Contribuições Chave

1. Flexibilidade na Dependência: Elimina a necessidade de suposições rígidas (uniformidade ou simetria) sobre a distribuição de valores-p condicionais, permitindo modelar dependências complexas via cópulas.
2. Novos Procedimentos em Duas Etapas: Introduz as abordagens "Hard" (filtragem) e "Soft" (ajuste contínuo), oferecendo flexibilidade na estratégia de teste.
3. Controle Rigoroso de FDR: Demonstra teoricamente e empiricamente que é possível aumentar o poder de detecção sem sacrificar o controle da taxa de erro.
4. Aplicabilidade Prática: A análise do conjunto de dados Set4∆ valida a utilidade do método na descoberta de novos alvos biológicos que seriam ignorados por métodos tradicionais.

5. Significado e Conclusão

O artigo oferece uma contribuição significativa para a análise de expressão gênica e testes múltiplos em geral. Ao integrar variáveis auxiliares de forma flexível através de cópulas, os autores demonstram que é possível superar as limitações dos métodos atuais, aumentando a confiabilidade e a reprodutibilidade dos resultados. O método Two-Stage FDR(S) destaca-se como particularmente eficiente, conseguindo identificar conjuntos de genes biologicamente relevantes (como a família HXT) que permaneciam ocultos com abordagens convencionais. O código e os dados estão disponíveis publicamente, facilitando a replicação e adoção da metodologia.