Robust Mendelian Randomization Estimation using Weighted Quantile Regression

1. O Problema

A Randomização Mendeliana (MR) é uma abordagem epidemiológica que utiliza variantes genéticas (geralmente SNPs) como variáveis instrumentais (IVs) para inferir relações causais entre uma exposição e um desfecho, baseando-se em dados observacionais. A validade da MR depende de três suposições fundamentais para um instrumento válido:

1. O IV está associado à exposição.
2. O IV é independente do desfecho, condicionado à exposição e a confundidores não medidos.
3. O IV é independente dos confundidores não medidos.

No entanto, a pleiotropia (quando uma variante genética afeta múltiplas características) é ubíqua na genética, violando frequentemente as suposições A2 e A3. Existem dois tipos principais de pleiotropia que desafiam os métodos atuais:

• Pleiotropia não correlacionada: O efeito direto do SNP no desfecho não é mediado pela exposição (viola A2).
• Pleiotropia correlacionada: O SNP afeta a exposição e o desfecho através de confundidores hereditários compartilhados (viola A3).

Métodos existentes (como IVW, MR-Egger, Mediana Ponderada) frequentemente falham quando há uma alta proporção de instrumentos inválidos, especialmente quando os efeitos pleiotrópicos são fracos e difíceis de distinguir do ruído, ou quando a suposição de "maioria válida" (mais de 50% dos instrumentos são válidos) não se sustenta.

2. Metodologia Proposta: MR-Quantile

Os autores propõem um novo método chamado MR-Quantile, baseado em Regressão Quantílica Ponderada (WQR) e na distribuição Laplace Assimétrica (ALD).

Fundamentos Teóricos

• Modelo Unificado: O método adota um framework onde os estimadores de razão ($\hat{r}_i = \hat{\beta}_{Yi} / \hat{\beta}_{Xi}$) para cada SNP são modelados como provenientes de uma distribuição ALD.
• Distribuição Laplace Assimétrica (ALD): A ALD é escolhida por sua capacidade de lidar com caudas pesadas (robustez a outliers) e sua conexão natural com a regressão quantílica. A densidade da ALD é definida por um parâmetro de localização ($\theta$, o efeito causal), um parâmetro de escala ($\lambda$) e um parâmetro de assimetria ($\tau$, o nível do quantil).
• Estimação de Máxima Verossimilhança (MLE): Ao contrário de métodos que exigem a seleção prévia de um quantil (como a mediana, onde $\tau=0.5$), o MR-Quantile utiliza uma formulação baseada em verossimilhança para estimar simultaneamente o efeito causal ($\theta$) e o quantil ótimo ($\tau$) dos dados.
  • O estimador $\hat{\theta}$ corresponde ao quantil ponderado $\hat{\tau}$ das razões observadas.
  • O parâmetro $\hat{\tau}$ é estimado iterativamente a partir dos dados, permitindo que o método se adapte à proporção real de instrumentos inválidos sem fazer suposições rígidas sobre essa proporção.

Algoritmo

O método utiliza um procedimento iterativo (descrito no Algoritmo 1 do artigo) para maximizar a função de verossimilhança, atualizando alternadamente $\theta$, $\lambda$ e $\tau$ até a convergência.

• Pesos: Utiliza pesos baseados no inverso do erro padrão das estimativas de razão, dando mais importância a instrumentos mais precisos.
• Inferência: Intervalos de confiança e erros padrão são obtidos através de um método de bootstrap paramétrico, reestimando os parâmetros em cada amostra reamostrada para capturar a incerteza na estimativa de $\tau$.

3. Principais Contribuições

1. Robustez à Pleiotropia Correlacionada e Não Correlacionada: O método é consistente sob a suposição de validade plural (plurality-valid), que exige apenas que o maior grupo de SNPs (o modo) compartilhe o mesmo efeito causal verdadeiro. Isso é menos restritivo que a suposição de "maioria válida" exigida pela Mediana Ponderada.
2. Seleção de Dados de Quantil Ótimo: Elimina a necessidade de escolher arbitrariamente o quantil (ex: 0.5, 0.75). O método aprende o quantil ótimo ($\hat{\tau}$) diretamente dos dados, tornando-o adaptativo à distribuição dos instrumentos inválidos.
3. Eficiência Computacional: Comparado a métodos baseados em modelos de mistura complexos (como MR-Mix ou MR-ContMix) ou penalizações Lasso, o MR-Quantile é significativamente mais rápido, tornando-o viável para estudos com grande número de SNPs ou análises em larga escala (como TWAS).
4. Desempenho em Cenários de Pleiotropia Fraca: O método demonstra superioridade em cenários onde os efeitos pleiotrópicos são fracos e difíceis de detectar, uma situação onde métodos que tentam "remover" instrumentos inválidos falham.

4. Resultados das Simulações

Os autores realizaram extensas simulações de Monte Carlo comparando o MR-Quantile com 12 outros métodos populares (IVW, MR-Egger, MR-PRESSO, MR-Lasso, etc.).

• Cenários de Pleiotropia Forte:

  • O MR-Quantile controlou adequadamente a taxa de erro Tipo I em todos os cenários, inclusive quando a suposição InSIDE (Instrument Strength Independent of Direct Effect) foi violada (pleiotropia correlacionada).
  • Métodos como MR-Egger e IVW apresentaram viés e variância elevados na presença de pleiotropia correlacionada.
  • O MR-Quantile apresentou menor Erro Quadrático Médio (RMSE) do que a Mediana Ponderada e o Modo Ponderado.

• Cenários de Pleiotropia Fraca (Instrumentos Inválidos Fracos):

  • Este é o cenário mais desafiador. Métodos que dependem da seleção consistente de instrumentos inválidos (como cML-MA-BIC e MR-Lasso) apresentaram taxas de erro Tipo I infladas, pois não conseguiram distinguir o sinal fraco do ruído.
  • O MR-Quantile foi o único método, além do cML-MA-BIC-DP (que é computacionalmente muito custoso), a manter taxas de erro Tipo I próximas do nível nominal (0.05).
  • Em termos de viés e poder estatístico, o MR-Quantile superou o cML-MA-BIC-DP, oferecendo uma detecção mais potente de efeitos causais com menor viés.

• Eficiência: O MR-Quantile foi cerca de 120 vezes mais rápido que o cML-MA-BIC-DP em simulações com 100 SNPs, destacando sua escalabilidade.

5. Estudo de Caso: Frequência Cardíaca em Repouso e Fibrilação Atrial

O método foi aplicado para investigar o efeito causal da Frequência Cardíaca em Repouso (RHR) na Fibrilação Atrial (AF).

• Dados: Utilizou-se dados de resumo de 425.748 indivíduos (VA Million Veteran Program) para a exposição e 228.926 casos de AF (meta-análise de 8 estudos) para o desfecho.
• Instrumentos: 104 SNPs independentes associados à RHR foram utilizados.
• Resultados:
  • O MR-Quantile estimou um efeito causal protetor: um aumento de um desvio padrão na RHR foi associado a uma redução de risco de AF de aproximadamente 20% (RR = 0.796, IC 95%: 0.728-0.870).
  • O resultado foi consistente com outros métodos robustos (como MR-Mix e Modo Ponderado), mas com estimativas de intervalo de confiança mais precisas.
  • A análise de heterogeneidade sugeriu que os instrumentos inválidos podem estar agrupados em modos distintos, possivelmente refletindo vias biológicas diferentes, o que valida a necessidade de métodos robustos como o MR-Quantile.

6. Significância e Conclusão

O artigo apresenta o MR-Quantile como uma ferramenta avançada e robusta para inferência causal em MR. Sua principal vantagem reside na capacidade de lidar com pleiotropia correlacionada e instrumentos inválidos fracos, cenários onde os métodos tradicionais falham. Ao estimar o quantil ótimo a partir dos dados e utilizar a distribuição Laplace Assimétrica, o método oferece um equilíbrio superior entre viés, variância e poder estatístico.

Além disso, sua eficiência computacional o torna uma escolha prática para estudos genômicos modernos que envolvem grandes conjuntos de dados e múltiplas exposições, preenchendo uma lacuna importante entre a robustez estatística e a viabilidade computacional na genética epidemiológica.