Scalable penalized regression boosts accuracy and computational efficiency for single- and cross-ancestry polygenic prediction

Resumo Técnico: Regressão Penalizada Escalável para Predição Poligênica

Problema
Os escores poligênicos (PGS) oferecem potencial para a estratificação de risco precoce de doenças complexas, mas enfrentam duas limitações primárias: um compromisso entre o encolhimento (shrinkage) adaptativo de SNPs e a eficiência computacional, e o onipresente viés eurocêntrico nos Estudos de Associação Genômica Ampla (GWAS).

1. Compromisso Computacional vs. Adaptativo: Os métodos Bayesianos existentes (ex: LDpred2, PRS-CS) utilizam priors flexíveis para encolhimento adaptativo, mas dependem de procedimentos de Cadeia de Markov Monte Carlo (MCMC), resultando em altos custos computacionais. Por outro lado, os métodos de regressão penalizada (ex: Lassosum) são computacionalmente eficientes, mas frequentemente aplicam um encolhimento não adaptativo que não varia com as distribuições subjacentes dos tamanhos de efeito.
2. Viés de Ancestralidade e Transferibilidade: A maioria dos GWAS é conduzida em populações europeias (EUR). Os PGS treinados em dados EUR costem perder mais de 50% de sua acurácia quando aplicados a populações não europeias (ex: leste-asiáticos, africanos, sul-asiáticos) devido à heterogeneidade nos tamanhos de efeito genético, frequências alélicas e padrões de desequilíbrio de ligação (LD). Além disso, métodos de multi-ancestralidade sofrem com altos custos computacionais e carecem de validação rigorosa em coortes de leste-asiáticos.

Metodologia
Os autores propõem uma estrutura de regressão penalizada escalável que integra penalidades spike-and-slab LASSO dentro de um modelo de ensemble para alcançar tanto o encolhimento adaptativo quanto a eficiência computacional. A estrutura consiste em dois métodos:

1. Spike-and-Slab Lassosum (SSL): Projetado para predição de ancestralidade única.

   • Mecanismo: Substitui a penalidade constante do LASSO padrão por uma penalidade adaptativa orientada por dados, derivada de um prior spike-and-slab. Este prior modela os efeitos dos SNPs como uma mistura de um "slab" (distribuição de Laplace com $\lambda_1$ pequeno para grandes efeitos) e um "spike" (distribuição de Laplace com $\lambda_0$ grande para pequenos efeitos).
   • Otimização: O modelo maximiza uma verossimilhança penalizada usando algoritmos de descida de coordenadas. Ele aproxima a verossimilhança usando estatísticas de resumo de GWAS e uma matriz de LD de referência.
   • Aprendizado de Ensemble: Em vez de selecionar um único conjunto ideal de parâmetros de ajuste, o SSL gera um conjunto de PGSs através de uma grade de parâmetros ($\lambda_0, \lambda_1, \theta, s$) e os combina usando o algoritmo de ensemble SuperLearner (utilizando LASSO, ridge ou regressão linear) para produzir o escore final.

2. Prior Spike-and-Slab Lassosum (pSSL): Uma extensão para predição de multi-ancestralidade.

   • Mecanismo: O pSSL incorpora informações prior de uma população auxiliar (ex: EUR) no modelo da população alvo via um hiperparâmetro $\eta \in [0,1]$. Isso é alcançado adicionando um termo de regularização que atua como um componente de transferência de aprendizado, impondo efetivamente um prior Gaussiano centrado no vetor de predição auxiliar.
   • Requisitos de Dados: Diferente de alguns métodos de multi-ancestralidade, o pSSL requer apenas estatísticas de resumo da população auxiliar e não exige dados de nível individual ou matrizes de LD da população auxiliar, apenas da população alvo.
   • Ensemble: Semelhante ao SSL, gera múltiplos modelos através de uma grade de parâmetros (incluindo $\eta$) e os combina via aprendizado de ensemble.

Principais Contribuições

• Inovação Algorítmica: A integração do spike-and-slab LASSO em uma estrutura de regressão penalizada permite o encolhimento adaptativo (preservando sinais fortes enquanto suprime os fracos) sem o ônus computacional do MCMC.
• Escalabilidade: Os métodos utilizam descida de coordenadas e decomposição de blocos de LD, reduzindo significativamente o tempo de execução e o uso de memória em comparação com abordagens Bayesianas.
• Estrutura de Multi-Ancestralidade: O pSSL fornece uma solução prática para aproveitar os grandes volumes de estatísticas de resumo de GWAS de populações EUR para melhorar a predição em populações sub-representadas, sem exigir modelagem de LD complexa de múltiplas populações ou dados individuais auxiliares.

Resultados

• Simulações (Ancestralidade Única): Em 11 cenários de simulação cobrindo diversas arquiteturas genéticas (esparsas, infinitesimais e híbridas), o SSL classificou-se em primeiro lugar em 54,5% dos cenários e em segundo lugar em 18,2%. Alcançou uma melhoria média de $R^2$ de 39,7% sobre o C+T, 10,2% sobre o Lassosum e 4,5% sobre o PRS-CS.
• Simulações (Multi-Ancestralidade): Em 72 configurações de simulação de multi-ancestralidade, o pSSL classificou-se em primeiro lugar em 50,0% dos cenários, superando o PRS-CSx (27,8%), o CT-SLEB (18,1%) e o PROSPER (2,7%). A vantagem foi mais pronunciada em populações africanas (AFR), onde o pSSL alcançou ganhos médios de $R^2$ de 14,4% sobre o CT-SLEB.
• Análise de Dados Reais (UK Biobank & Dongfeng-Tongji):
  • Ancestralidade Única: Em 32 traços complexos, o SSL alcançou acurácia ótima para 90,6% (UKB) e 84,4% (DFTJ) dos traços. Melhorou o $R^2$ em uma média de 7,8% (UKB) e 10,4% (DFTJ) em relação ao PRS-CS.
  • Multi-Ancestralidade: Na coorte DFTJ (alvo de leste-asiáticos), o pSSL classificou-se em primeiro lugar em 71,9% dos traços, gerando um ganho médio de $R^2$ de 12,3% sobre o PRS-CSx. Superou notavelmente outros métodos em traços lipídicos e de células vermelhas.
• Eficiência Computacional:
  • O SSL reduziu o tempo de execução para aproximadamente um terço do PRS-CS (32,5 min vs. 120,7 min) e utilizou menos de um quinto da memória (9,0 GB vs. 54,3 GB).
  • O pSSL exigiu cerca de 1/6 do tempo de execução do PRS-CSx (56,3 min vs. 319,0 min) e menos de 1/4 da memória.

Significância e Alegações
O artigo afirma que o SSL e o pSSL conseguem preencher a lacuna entre a escalabilidade computacional da regressão penalizada e o encolhimento orientado por dados dos métodos Bayesianos.

• Equidade: Ao demonstrar desempenho superior em populações de leste-asiáticos e africanas, particularmente através da estrutura pSSL, os autores argumentam que esses métodos têm grande potencial para promover a aplicação equitativa de PGS em diversas populações.
• Praticidade: A capacidade de usar estatísticas de resumo de populações auxiliares sem exigir seus dados de nível individual ou matrizes de LD torna o pSSL uma ferramenta prática para melhorar a predição em grupos sub-representados onde GWAS de larga escala são escassos.
• Limitações: Os autores observam que sua análise foi restrita a SNPs do HapMap3, o que pode subestimar o desempenho em grupos não europeus. Além disso, a abordagem de ensemble requer amostras de ajuste suficientes (1.500–3.000), e a estrutura atual do pSSL é limitada à análise de duas populações, embora isso seja apresentado como uma escolha pragmática dado o cenário atual de dados.

Os autores concluem que esses métodos avançam o campo ao permitir a predição de PGS de ancestralidade única e multi-ancestralidade de forma precisa, eficiente e escalável.