A rotated multivariate linear mixed model for dual large-scale genome-wide association study

Resumo Técnico: Um Modelo Linear Misto Multivariado Rotacionado para Estudos de Associação Genômica Ampla Duplamente de Grande Escala

Definição do Problema
O artigo aborda dois gargalos críticos nos Estudos de Associação Genômica Ampla (GWAS) modernos que utilizam dados em escala de biobanco: o compromisso entre eficiência computacional e poder estatístico em análises multifenotípicas, e a incapacidade dos métodos existentes de escalar tanto para amostras massivas (ex: >300.000 indivíduos) quanto para fenótipos de alta dimensão (ex: >10 traços). Embora os Modelos Lineares Mistos (LMMs) controlem eficazmente a estratificação populacional e o parentesco amostral, as ferramentas de estado da arte atuais, como o GEMMA, são computacionalmente intratáveis para GWAS multivariados de grande escala. A dependência do GEMMA na otimização de Newton-Raphson para a estimativa da matriz de covariância resulta em uma complexidade de tempo de $O(nd^6)$, tornando-o impraticável para conjuntos de dados com grande $n$ (tamanho da amostra) e $d$ (contagem de fenótipos). Além disso, nota-se que métodos de redução de dimensionalidade como a Análise de Componentes Principais (PCA) são subótimos, pois o descarte de componentes de baixa variância pode reduzir severamente o poder de detecção de variantes pleiotrópicas.

Metodologia: RmvLMM
Os autores propõem o Modelo Linear Misto Multivariado Rotacionado (RmvLMM), um framework estatístico projetado especificamente para cenários "duplamente de grande escala" (grande $n$ e grande $d$). A metodologia integra quatro inovações técnicas principais:

1. Transformação de Rotação Ortogonal:
   Em vez de analisar traços correlacionados diretamente, o RmvLMM emprega uma série de três autodecomposições sequenciais para realizar uma rotação ortogonal. Esta transformação decorrelaciona os múltiplos fenótipos, convertendo o modelo linear misto multivariado (mvLMM) em $d$ modelos de regressão linear univariados independentes. Este passo destaca sinais genéticos significativos enquanto trata sinais não significativos como ruído, aumentando assim o poder de associação.

2. Algoritmo Iterativo MoM-REML:
   Para estimar as matrizes de covariância poligênica ($V_b$) e de erro ($V_e$), os autores desenvolveram um novo algoritmo iterativo rápido chamado MoM-REML. Este método integra o Método dos Momentos (MoM) com a Máxima Verossimilhança Restrita (REML). Ao derivar uma expressão de forma fechada que caracteriza a relação entre $V_b$ e $V_e$ dentro do modelo rotacionado, o algoritmo evita os cálculos computacionalmente caros de inversão e determinante da matriz de covariância completa $nd \times nd$. Isso reduz a dependência da complexidade de tempo em relação à dimensão fenotípica de $O(d^6)$ (no GEMMA) para $O(d^2)$, com uma complexidade geral de $O(nd^2)$.

3. Estatísticas TOP2 e TOP2-O:
   Para testes de associação, o RmvLMM realiza testes F nos modelos univariados rotacionados. Ele introduz uma nova estatística de combinação de p-valores, TOP2, que agrega os dois menores p-valores das $d$ testes univariados usando o método de combinação de Fisher. A distribuição exata do TOP2 é derivada analiticamente. Para amostras em escala de biobanco onde a autodecomposição completa da matriz de parentesco $K$ é inviável, o método estende isso para o TOP2-O, uma estatística omnibus. O TOP2-O agrega evidências através de múltiplos grupos de amostras disjuntos usando uma estratégia de "dividir e combinar". Sua distribuição nula é calibrada empiricamente e ajustada usando uma distribuição gamma generalizada, evitando a modelagem explícita de correlações entre grupos.

4. Estratégia de Dividir e Combinar:
   Para lidar com tamanhos de amostra em escala de biobanco, o conjunto de dados é particionado em grupos disjuntos. A evidência de associação é avaliada dentro de cada grupo e combinada em um único teste omnibus. Esta abordagem contorna a necessidade de construir ou decompor a matriz de parentesco completa $K$, permitindo um escalonamento quase linear com o tamanho da amostra.

Resultos Principais

• Eficiência Computacional: Em simulações com $n=5.000$ e $d=20$, o RmvLMM foi mais de 50 vezes mais rápido que o GEMMA para um rastreamento genômico completo (concluindo em <2% do tempo). Para estimativa de parâmetros, o RmvLMM alcançou um aumento de velocidade de aproximadamente 150 vezes. Diferente do GEMMA, que falha em escalar para $n > 50.000$, o RmvLMM demonstrou um escalonamento quase linear, processando coortes de 300.000 indivíduos em aproximadamente 3,13 horas.
• Poder Estatístico: O RmvLMM superou consistentemente o GEMMA em poder estatístico em todos os cenários simulados. Em um limiar de significância rigoroso ($\alpha = 1 \times 10^{-7}$), o RmvLMM alcançou mais de 10% de poder superior ao GEMMA. Por exemplo, com $n=1.000$ e $d=10$, o RmvLMM atingiu poderes de 52,4%–73,1% comparado aos 40,5%–62,2% do GEMMA através de variadas frequências de alelos menores.
• Taxa de Falsos Positivos (FPR): Ambos os métodos mantiveram taxas de FPR bem calibradas em todas as configurações, confirmando que o aumento de poder não ocorreu às custas de inflação de falsos positivos.
• Aplicação no UK Biobank: Aplicado a 26 traços de bioquímica sanguínea em 323.839 indivíduos de ascendência europeia, o RmvLMM identificou 1.325 SNPs significativos mapeando para 373 genes. Destes, 309 genes possuíam suporte na literatura prévia. Notavelmente, a análise identificou 10 genes pleiotrópicos validados como alvos de drogas (ex: PCSK9, HMGCR), correspondendo a 29 drogas clinicamente desenvolvidas. O enriquecimento de vias confirmou associações com o metabolismo lipídico e homeostase do colesterol.

Significância e Alegações
O artigo afirma que o RmvLMM fornece um framework poderoso e escalável que resolve o histórico compromisso entre eficiência computacional e poder estatístico em GWAS multifenotípicos. Ao alavancar a rotação ortogonal e uma estratégia de dividir e combinar paralelizável, ele permite a análise de amostras em escala de biobanco com fenótipos de alta dimensão, uma tarefa anteriormente considerada computacionalmente intratável.

Os autores posicionam o RmvLMM como uma ferramenta para facilitar a dissecação da arquitetura genética compartilhada de traços complexos e a identificação de variantes pleiotrópicas. Eles observam que o método é particularmente eficaz para detectar SNPs associados a pelo menos um fenótipo em um conjunto, embora reconheçam uma limitação: ele não identifica inerentemente qual fenótipo específico impulsiona a associação, recomendando um acompanhamento de dois estágios (triagem seguido de PheWAS) para delineamento preciso. O método é atualmente limitado a traços contínuos e ainda não suporta fenótipos binários ou ordinais. O software é lançado como código aberto para apoiar novas descobertas genéticas em larga escala.