A time-to-event heritability framework for inferring the genetic architecture of longitudinal traits

Este artigo apresenta o COXMM, um modelo misto de riscos proporcionais de Cox que permite estimar com precisão a herdabilidade de características de tempo até evento, superando as limitações de abordagens não específicas e fornecendo insights sobre a arquitetura genética e preditiva de doenças longitudinais.

O essencial

Imagine que você está tentando entender por que algumas pessoas adoecem antes de outras e por que algumas doenças são mais "hereditárias" do que outras. Até agora, os cientistas usavam uma ferramenta um pouco antiga e simplista para medir isso, como se estivessem tentando medir a velocidade de um carro apenas olhando se ele chegou ao destino ou não, ignorando quanto tempo a viagem levou.

Este artigo apresenta uma nova ferramenta chamada COXMM, que é como um "GPS de alta precisão" para a genética de doenças que ocorrem ao longo do tempo.

Aqui está a explicação em linguagem simples, usando analogias do dia a dia:

1. O Problema: A Foto vs. O Filme

Antes, os cientistas olhavam para os dados genéticos como se fosse uma foto estática. Eles perguntavam: "Você tem a doença? Sim ou Não?".

• O problema: Essa foto ignora o tempo. Se você tem diabetes aos 30 anos e seu vizinho aos 70, a "foto" diz que ambos têm a doença. Mas a genética pode ter feito você adoecer muito mais cedo! Além disso, muitas pessoas morrem ou saem do estudo antes de adoecer. Na foto antiga, elas são contadas como "saudáveis", o que distorce a verdade.

A solução do COXMM: É como assistir ao filme completo da vida da pessoa. Ele não pergunta apenas "Você tem a doença?", mas sim "Quando a doença começou e quanto tempo você viveu sem ela?". Ele considera o tempo de espera e o fato de que algumas pessoas podem nunca ter chegado ao "final" do filme dentro do tempo do estudo.

2. A Analogia da Corrida de Carros

Imagine uma corrida de carros (a vida) onde o objetivo é chegar ao "acidente" (a doença).

• Método Antigo (Case-Control): Eles olhavam apenas para a linha de chegada. "Quem bateu? Quem não bateu?". Se um carro bateu aos 50 km/h e outro aos 100 km/h, para eles, ambos são "acidentados". Eles perdem a informação de que a velocidade (genética) fez uma diferença enorme no tempo do acidente.
• Método Novo (COXMM): Eles olham para o velocímetro e o cronômetro. Eles entendem que a genética não apenas decide se o carro vai bater, mas quando e quão rápido ele vai bater. Isso permite medir com precisão quanto da "culpa" do acidente é dos motoristas (genética) e quanto é da pista ou do clima (ambiente).

3. O Que Eles Descobriram?

Os autores testaram essa nova ferramenta em dados reais (como o UK Biobank, um banco de dados gigante de saúde) e descobriram coisas surpreendentes:

• A Verdade está no Meio: Muitas doenças não são 100% "genéticas" (como se você nascesse com a doença) nem 100% "ambientais". Elas são uma mistura. A genética pode fazer você ter uma predisposição (o carro é mais rápido), mas o ambiente (a pista) decide quando o acidente acontece. O COXMM consegue separar essas duas coisas melhor do que os métodos antigos.
• A Progressão da Doença é mais "Ambiental": Eles estudaram o tempo entre uma doença leve (como pressão alta) e uma grave (como um ataque cardíaco). Descobriram que a genética explica menos sobre quando a doença grave acontece após a leve do que explica sobre o surgimento da doença leve em si.
  • Analogia: Imagine que ter pressão alta é como ter um carro com freios ruins (genética). Mas o momento exato em que o carro para de funcionar (o ataque cardíaco) depende muito de como você dirige, se choveu, se você fez manutenção (ambiente). A genética importa, mas o "estilo de direção" (ambiente) tem um peso maior na progressão.
• Novos Segredos Genéticos: Ao usar o "filme" (COXMM) em vez da "foto", eles encontraram novos genes que os métodos antigos não viam. É como se, ao assistir ao filme em câmera lenta, você percebesse detalhes que uma foto rápida escondia.

4. Por que isso importa?

• Previsão Melhor: Se sabemos exatamente quanto da doença é genética e quanto é ambiental, podemos criar testes de risco (como um "relatório de seguro de vida genético") muito mais precisos.
• Medicina Personalizada: Entender que a progressão de uma doença é mais influenciada pelo ambiente sugere que mudar hábitos de vida pode ser ainda mais eficaz do que pensávamos para evitar que uma doença leve se torne grave.
• Fim do "Erro de Cálculo": Os métodos antigos subestimavam a hereditariedade de muitas doenças porque ignoravam o tempo. O COXMM corrige isso, dando aos cientistas uma régua mais precisa.

Resumo em uma frase

O COXMM é uma nova ferramenta que nos permite medir a herança genética de doenças olhando para a história completa da vida de uma pessoa (tempo e eventos), em vez de apenas um instantâneo, revelando que a genética define o potencial, mas o ambiente e o tempo definem o momento exato da doença.

Resumo técnico

Título: Um Framework de Heritabilidade para Eventos no Tempo para Inferir a Arquitetura Genética de Traços Longitudinais

Autores: Kodi Taraszka, Sriram Sankararaman e Alexander Gusev.

---

1. O Problema

A heritabilidade (a fração da variância de um traço explicada por variáveis genéticas) é um parâmetro fundamental para entender a arquitetura genética e prever a eficácia de escores de risco poligênico (PRS). No entanto, a maioria dos métodos existentes foca em traços binários (caso-controle) ou quantitativos contínuos, baseando-se no Modelo de Limiar de Responsabilidade (LTM).

O LTM assume que o status de caso-controle é invariante e que indivíduos não diagnosticados são verdadeiros controles. Isso falha em cenários de traços de tempo até o evento (TTE - Time-to-Event), como idade de início de doença ou progressão da doença, devido a duas limitações principais:

1. Censura: Indivíduos podem ser perdidos para acompanhamento ou morrer antes do diagnóstico, sendo erroneamente classificados como controles.
2. Variância de Idade de Início: A variação genética pode explicar a idade de início (quando a doença ocorre), algo não capturado por modelos binários que apenas definem "quem tem" a doença.

Métodos convencionais aplicados a dados TTE (tratando-os como caso-controle ou apenas analisando a idade de início em casos) tendem a subestimar severamente a heritabilidade, levando a conclusões imprecisas sobre a arquitetura genética e o poder preditivo futuro.

---

2. Metodologia: COXMM

Os autores introduzem o COXMM (Cox Proportional Hazard Mixed Model), um novo método para estimar a heritabilidade molecular sob um modelo gerativo de tempo até o evento.

• Modelo Gerativo (PGM): Diferente do LTM, o modelo TTE assume que, em um horizonte de tempo infinito, todos os indivíduos desenvolveriam o traço. A genética influencia o hazard instantâneo (risco) do evento, enquanto o "ambiente" é capturado pela hazard basal não especificada.
• Formulação Estatística:
  • O hazard $h(t)$ para um indivíduo $i$ no tempo $t$ é modelado como: $h_i(t) = h_0(t) \exp(u_i)$, onde $h_0(t)$ é a hazard basal e $u_i$ é um efeito aleatório genético.
  • O efeito genético $u_i$ segue uma distribuição Gaussiana com variância determinada pelo componente de variância genética ($\sigma^2_g$) e pela matriz de relacionamento genético (GRM).
  • O parâmetro $\sigma^2_g$ é estimado iterativamente resolvendo uma verossimilhança parcial penalizada e uma verossimilhança marginal integrada (usando aproximação de Laplace).
• Estimativa de Heritabilidade: Como o modelo de Cox não define uma variância fenotípica direta, a heritabilidade é definida na escala de log-frailty (logaritmo da hazard acumulada). A transformação baseia-se na distribuição de valores extremos da hazard acumulada, permitindo definir a heritabilidade como a proporção da variância acumulada de risco atribuída à genética.
• Correção de Viés: O método utiliza aproximação de Breslow para empates e jackknife em blocos ponderados para estimar erros padrão, sendo robusto a covariáveis fixas (como sexo e idade).

---

3. Contribuições Principais

1. Novo Framework de Heritabilidade: O COXMM é o primeiro método semi-paramétrico de mixed model para estimar heritabilidade molecular em traços TTE, oferecendo flexibilidade na distribuição do tempo de sobrevivência.
2. Validação via Simulação: Demonstração de que o COXMM fornece estimativas empiricamente não viesadas sob o modelo TTE, enquanto métodos tradicionais (HE-Reg caso-controle e HE-Reg idade de início) sofrem de viés de subestimação severa, especialmente quando a prevalência observada é baixa.
3. Análise de Arquitetura Genética Complexa: O estudo propõe que muitos traços reais não seguem puramente o LTM ou o TTM, mas sim uma mistura de ambos. A comparação entre estimativas de COXMM e métodos tradicionais pode revelar qual modelo (ou combinação) melhor descreve a doença.
4. Aplicação em Biobancos: Implementação e validação em larga escala utilizando dados do UK Biobank, cobrindo traços cardiovasculares, progressão de doenças e outras categorias.

---

4. Resultados Chave

• Desempenho em Simulações:

  • Sob o modelo TTE, o COXMM recuperou com precisão a heritabilidade verdadeira.
  • Métodos convencionais subestimaram a heritabilidade em até 50-90% dependendo da proporção de casos observados.
  • O COXMM mostrou-se robusto a diferentes distribuições (Weibull com diferentes formas) e à presença de covariáveis.
  • Quando o modelo gerativo era LTM (caso-controle puro), o COXMM subestimou a heritabilidade, confirmando que a escolha do PGM correto é vital.

• Análise em Traços Cardiovasculares (UK Biobank):

  • Em 7 traços cardiovasculares (ex: hipertensão, diabetes tipo 2), as estimativas de heritabilidade do COXMM e do método caso-controle foram estatisticamente indistinguíveis na média, sugerindo uma arquitetura genética mista.
  • No entanto, para a maioria dos traços, as estimativas reais foram inconsistentes com modelos puros (LTM ou TTE), reforçando a hipótese de uma arquitetura híbrida.

• Progressão de Doença (Traços Intervalares):

  • Analisando 18 fenótipos de progressão (ex: tempo entre hipertensão e doença arterial coronariana), a heritabilidade estimada pelo COXMM foi consistentemente menor do que a heritabilidade do traço terminal (incidência geral).
  • Isso sugere que a progressão da doença é mais influenciada por fatores ambientais (ex: intervenções terapêuticas no evento inicial) ou é um processo mais estocástico do que a incidência da doença em si.
  • Indivíduos que desenvolveram o traço terminal sem um evento de índice intermediário apresentaram maior heritabilidade genética do que aqueles que passaram por um evento intermediário.

• Validação com Escores de Risco Poligênico (PRS) e GWAS:

  • PRS: A combinação de PRS derivados de modelos TTE e modelos caso-controle frequentemente forneceu o melhor ajuste preditivo (menor AIC), validando a hipótese de arquitetura mista.
  • GWAS: O GWAS baseado em TTE (usando SPACox) identificou mais loci independentes do que o GWAS caso-controle ou idade de início para traços relacionados à idade.
  • Descobertas Novas: O GWAS TTE identificou associações únicas em genes biologicamente relevantes (ex: ABO e SETD3) que não foram detectadas pelos métodos tradicionais, demonstrando maior poder de descoberta para fenótipos de progressão.

---

5. Significado e Implicações

• Precisão na Estimativa: O COXMM corrige a subestimação sistemática da heritabilidade em estudos longitudinais, permitindo comparações justas de poder preditivo entre diferentes traços.
• Compreensão da Arquitetura Genética: O estudo revela que a arquitetura genética de muitas doenças complexas é uma mistura de variantes que influenciam a susceptibilidade (liabilidade) e variantes que influenciam o tempo de início/progressão.
• Implicações Clínicas: A menor heritabilidade observada na progressão da doença em comparação com a incidência geral sugere que intervenções ambientais ou tratamentos podem ter um impacto maior na progressão do que na predisposição genética inicial.
• Futuro: O método oferece um framework para analisar dados de biobancos ricos em informações longitudinais, embora atualmente tenha limitações computacionais (requer processamento em lotes devido à complexidade da otimização de verossimilhança).

Em resumo, o COXMM representa um avanço metodológico crucial para a genética de populações, permitindo a exploração correta da arquitetura genética de traços dinâmicos e de tempo até o evento, que eram anteriormente negligenciados ou mal modelados.