Annotation-Informed Block-Sparse Bayesian Modeling for cis-Expression Prediction

Resumo Técnico: Modelagem Bayesiana de Esparsidade em Blocos Informada por Anotações para Predição de Expressão cis

Definição do Problema
A predição da expressão cis baseada em genótipo é fundamental para a construção de pesos de Estudos de Associação de Todo o Transcriptoma (TWAS). No entanto, os métodos atuais enfrentam um desafio estatístico e biológico duplo: os painéis de transcriptoma de referência tipicamente contêm centenas de indivíduos, enquanto as janelas cis podem abranger milhares de variantes correlacionadas. Este regime de alta dimensionalidade e baixa amostragem exige uma regularização forte. As abordagens existentes geralmente se dividem em duas categorias: regressão penalizada esparsa (ex: LASSO, elastic net), que trata os SNPs como intercambiáveis, e modelos mistos densos (ex: BLUP), que distribuem o sinal de forma ampla. Nenhuma das classes modela explicitamente a organização local de variantes cis correlacionadas, especificamente o fato de que sinais regulatórios frequentemente surgem dentro de vizinhanças de haplótipos locais (Blocos de Desequilíbrio de Ligação ou LD) e que variantes próximas ao Sítio de Início da Transcrição (TSS) são biologicamente mais propensas a serem causais. Consequentemente, nenhuma abordagem única provou ser uniformemente ótima através de diversos genes, tecidos e ancestralidades.

Metodologia: bsBSLMM
Os autores propõem o Modelo Linear Misto Bayesiano de Esparsidade em Blocos (bsBSLMM), uma extensão hierárquica do Modelo Linear Misto Bayesiano de Esparsidade (BSLMM) padrão. O modelo decompõe a expressão gênica padronizada ($\mathbf{y}$) em um componente de efeito cis esparso ($\mathbf{X}\boldsymbol{\beta}$), um background poligênico denso ($\mathbf{g}$) e ruído residual ($\boldsymbol{\epsilon}$).

A inovação reside em duas estruturas de prior específicas impostas ao componente esparso:

1. Esparsidade Spike-and-Slab de Blocos de LD: Em vez de tratar os SNPs individualmente, SNPs contíguos são particionados em blocos de LD com base em um limiar de correlação ($r^2 < 0,1$) ou um tamanho máximo (200 SNPs). Uma variável indicadora de nível de bloco ($z_b$) controla cada bloco. Se um bloco estiver inativo ($z_b=0$), todos os efeitos dos SNPs dentro desse bloco são deterministicamente definidos como zero. Isso desloca a unidade de esparsidade do SNP individual para vizinhanças de LD.
2. Prior de Inclusão de SNP Informado pelo TSS: Dentro de blocos ativos, a probabilidade de um SNP ser incluído ($\pi_j$) não é uniforme, mas é modelada como uma função da sua distância ao TSS, especificamente $\pi_j = \sigma(\alpha + \kappa a_j)$, onde $a_j$ é a distância do SNP ao TSS em megabases, e $\kappa$ é um coeficiente específico do gene aprendido conjuntamente dentro da cadeia MCMC. Isso permite que o modelo favoreça variantes próximas ao TSS, permitindo que os dados determinem a força dessa preferência para cada gene.

A inferência é realizada usando um amostrador Metropolis-within-Gibbs. Para garantir a viabilidade computacional, o background poligênico denso é atualizado via rotação de GRM (diagonalizando a Matriz de Relacionamento Genético), e os indicadores de nível de bloco são atualizados usando uma aproximação diagonal da verossimilhança marginal, seguido por uma varredura sequencial de SNPs dentro do bloco que mantém o acoplamento total de LD.

Principais Contribuições

• Novo Prior Hierárquico: A integração da estrutura de blocos de LD e de priors informados por anotações em um framework unificado de modelo misto Bayesiano.
• Ablação de Componentes: O estudo separa explicitamente as contribuições da esparsidade de nível de bloco e do prior de distância ao TSS, demonstrando que ambos os componentes fornecem melhorias distintas e aditivas.
• Benchmarking Abrangente: O método é avaliado contra uma ampla gama de baselines (BSLMM, LASSO, BLUP, TIGAR elastic net e TIGAR Dirichlet-process regression) através de múltiplos conjuntos de dados e ancestralidades.
• Validação Downstream: A utilidade dos pesos aprendidos é validada não apenas pela precisão de predição, mas também pelo enriquecimento funcional em anotações regulatórias e pela recuperação de sinais relevantes para doenças em TWAS.

Resultos

• Performance de Predição: No conjunto de dados de linhagem de células linfoblastoides (LCL) de ancestralidade europeia GEUVADIS (23.098 genes), o bsBSLMM reteve o maior número de genes que passaram pelos filtros rigorosos de predição (3.518 genes), excedendo o BSLMM com MCMC correspondente em 388 genes (+12,4%). Nos genes compartilhados retidos, o bsBSLMM mostrou uma precisão de predição de hold-out pareada significativamente maior (média $\Delta r = +0,0189$) em comparação com todos os baselines.
• Contribuições dos Componentes: Estudos de ablação revelaram que a camada de blocos de LD foi o principal motor de melhoria (adicionando 265 genes e $\Delta r = +0,0155$), enquanto o prior de distância ao TSS forneceu um ganho incremental menor, porém consistente (adicionando 123 genes e $\Delta r = +0,0035$).
• Plausibilidade Biológica: As variantes selecionadas pelo bsBSLMM mostraram um enriquecimento mais forte em regiões regulatórias relevantes para LCL (picos de DNase e H3K27ac de GM12878) em comparação ao BSLMM. O coeficiente de distância ao TSS aprendido foi negativo em 98,8% dos genes, confirmando a capacidade do modelo de recuperar o prior biológico de que variantes proximais são mais propensas a serem ativas.
• Descoberta por TWAS: Em uma análise de TWAS para IBD, o bsBSLMM recuperou sinais estabelecidos (ex: IL23R) e identificou 30 genes adicionais com significância em todo o genoma não detectados pelo BSLMM.
• Validação de Cruzamento de Ancestralidade: No coorte independente Louisiana Osteoporosis Study (LOS) de sangue total (subcoortes de americanos caucasianos e afro-americanos), o bsBSLMM reproduziu a vantagem de predição, retendo o maior número de genes e superando os baselines em comparações pareadas. O TWAS downstream para densidade mineral óssea (eBMD) recuperou vias biologicamente relevantes.
• Viabilidade Computacional: A implementação em Python+Numba exigiu uma mediana de 55,6 segundos por gene, enquanto uma implementação em C++ reduziu isso para 30,8 segundos, tornando-o computacionalmente comparável ao BSLMM com MCMC correspondente, apesar da complexidade adicional.

Significância
O artigo afirma que incorporar a estrutura de blocos de LD e priors de SNPs biologicamente informados melhora a predição da expressão cis e aumenta a descoberta de downstream em TWAS. Os resultados demonstram que modelar a organização local de variantes correlacionadas e aproveitar priors de posição genômica permite uma identificação mais precisa da arquitetura regulatória do que os modelos esparsos ou densos padrão. O método equilibra com sucesso o trade-off entre complexidade do modelo e poder preditivo, gerando pesos que são não apenas mais preditivos, mas também mais biologicamente interpretáveis e transferíveis entre diversas ancestralidades e traços. Os autores concluem que o bsBSLMM fornece um prior Bayesiano modular que melhora tanto o rendimento de genes previsíveis quanto a precisão de suas estimativas de efeito.