📊 statistics

Univariate-Guided Sparse Regression for Biobank-Scale High-Dimensional Omics Data

本文提出了一种针对 UK Biobank 规模基因组数据的单变量引导稀疏回归（uniLasso）框架的可扩展适配方案，证明了其在保持显著更具稀疏性和可解释性的模型的同时，实现了优于 PRS-CS 等竞争对手的多基因风险评分预测准确度。

原作者： Joshua Richland, Tuomo Kiiskinen, William Wang, Sophia Lu, Balasubramanian Narasimhan, Trevor Hastie, Manuel Rivas, Robert Tibshirani

发布于 2026-01-23

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Joshua Richland, Tuomo Kiiskinen, William Wang, Sophia Lu, Balasubramanian Narasimhan, Trevor Hastie, Manuel Rivas, Robert Tibshirani

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图通过一个庞大的遗传指令库来预测一个人的身高或患心脏病的风险。这个被称为 UK Biobank 的库包含了超过一百万个遗传“开关”（称为 SNP），涵盖了五十万人的数据。

问题在于，这些开关非常杂乱。许多开关都粘在一起形成组（就像一组控制同一个房间的灯光开关）。如果你试图弄清楚究竟是哪一个特定的开关控制着灯光，很难分辨出真正起作用的是哪一个，因为它们会同时跳动。

这篇论文介绍了一种更聪明的方法来理清这种混乱。以下是他们解决方案的拆解，使用了简单的类比：

1. 旧方法：“拥挤的房间”问题

传统上，科学家使用一种叫做 Lasso 的方法来寻找重要的开关。

类比： 想象一个拥挤的房间，每个人都在大声叫喊。你想找到那个知道答案的人。Lasso 方法会倾听所有人的声音，并挑选出一小群值得信任的人。
缺陷： 因为这些开关是高度相关的（即“拥挤的房间”），Lasso 往往会挑选出太多的人。它可能会选择 55,000 个开关来预测身高。虽然效果还可以，但很难理解为什么选择了这特定的 55,000 个开关，而且计算量非常庞大。

2. 新方法：“uniLasso”（智能过滤器）

作者创建了一种名为 uniLasso 的新方法。你可以把它看作是为你遗传侦探制定的两步招聘流程。

第一步：个人试演（单变量检查）：
首先，他们要求每一个遗传开关进行一场个人表演。他们观察每个开关在独立状态下对结果的预测能力如何。
- 规则： 如果一个开关在个人表演中说“我让你长高”，那么它在最终的团队中也必须说“我让你长高”。它不能在后期改变其符号并说“我让你变矮”。这保证了结果的逻辑性和易解释性。
第二步：团队选拔（稀疏回归）：
接下来，他们利用第一步中个人表演的结果来构建最终的模型。他们使用一种特殊的过滤器，该过滤器只保留那些在第一步中表现良好的开关，同时强制模型保持“稀疏性”（即只挑选极少数的开关）。
- 结果： 与 Lasso 挑选 55,000 个开关不同，uniLasso 只挑选了大约 34,000 个。它实现了与旧方法几乎相同的准确度，但拥有一个更小、更精简的团队。这就像是从 55,000 名“还不错”的选手中，选出了最优秀的 34,000 名球员。

3. “秘密武器”：外部评分

论文还测试了一个让模型变得更好的技巧。有时，由于隐私规则，科学家无法分享原始数据，但他们可以分享“汇总统计数据”（类似于来自另一组人群的成绩单）。

类比： 想象你正在组建一支团队，你手里有一份来自自己城市的候选人名单。但一位芬兰的朋友给你发了一份来自他们城市的“前 100 名”名单。
方法： 作者利用来自芬兰数据库（FinnGen）的“成绩单”（汇总统计数据），来引导他们在处理 UK 数据时的筛选过程。
结果： 通过将自己的数据与这份外部“成绩单”相结合，该模型变得更加准确。它在所有测试的特征（身高、BMI、心脏病和哮喘）中表现都是最好的。

4. 为什么这很重要（“稀疏”的优势）

论文强调了少即是多。

可解释性： 由于 uniLasso 挑选的开关更少，科学家可以真正观察这些开关并说：“好吧，这特定的 34,000 个开关正在驱动预测。”使用旧方法时，列表太长且效应过于分散，很难知道到底发生了什么。
效率： 该方法运行速度快，足以处理庞大的 UK Biobank 数据，而以前处理这些数据需要超级计算机。

结果总结

准确度： 它的预测效果与标准方法（Lasso）一样好，并且优于一个名为 PRS-CS 的流行竞争对手。
简洁性： 它比标准方法减少了 40% 的遗传开关。
逻辑性： 它确保了所选的遗传开关具有逻辑一致性（它们在单变量测试和最终团队中的含义不会发生反转）。

简而言之，作者构建了一个“智能过滤器”，它能从数百万个遗传数据点中过滤掉噪音，找到那组真正重要的、微小的关键开关，使得研究结果既易于理解，又具备与旧的、混乱的方法相当的准确性。

技术摘要：面向生物样本库规模高维组学数据的单变量引导稀疏回归

问题陈述

本文解决了在超高维基因组数据中进行稀疏回归的挑战，特别是在使用如 UK Biobank 等生物样本库规模数据集构建多基因风险评分（PRS）的背景下。在这种环境下，预测因子（SNP， $p$ ）的数量远大于观测值（ $n$ ）的数量，通常会出现 $p > 1,000,000$ 且 $n \approx 500,000$ 的情况。

标准的回归方法在此领域面临三个核心困难：

计算不可行性： 在数百万个 SNP 和数十万个个体上拟合多元模型在计算上是极其昂贵的，尤其是在使用交叉验证进行超参数调优时。
相关预测因子（连锁不平衡）： SNP 存在于高度相关的区块中。标准的多元方法往往难以决定是选择一组稀疏的代表性变量，还是将效应“抹平”（smear）并分布到许多相关的变量中，从而导致模型过于稠密且难以解释。
数据隐私与集成： 在生物医学研究中，由于隐私法规，原始个体级数据通常受到限制。研究人员经常依赖外部队列（如 FinnGen）的汇总统计数据而非完整数据集，这使得将此类外部信息整合进统一的稀疏多元模型变得十分困难。

历史上，PRS 的构建依赖于一个两步走的流程：先进行单变量全基因组关联研究（GWAS），然后进行事后收缩或选择（例如，clumping and thresholding、LDpred、PRS-CS）。作者认为这种方法是次优的，因为第一步将 SNP 孤立对待，抬升了整个相关 SNP 邻域的效应，而第二步试图纠正这种重复计数，往往会导致预测因子变得稠密且效应值被削减。

方法论：Omni-adapted uniLasso

作者提出了一种可扩展的 单变量引导稀疏回归（uniLasso） 适配版本，该方法最初由 Chatterjee 等人 [2025] 提出，现已针对生物样本库规模的数据进行了定制。该方法是一种两阶段惩罚回归程序，利用单变量系数来引导多元选择。

算法流程

第一阶段：单变量预计算：
对于每个 SNP $j$ ，算法计算单变量截距（ $\hat{\beta}_{0j}$ ）和斜率（ $\hat{\beta}_j$ ）。至关重要的是，它计算了 留一法（Leave-One-Out, LOO） 拟合值（ $\hat{y}^{-i}_{ij}$ ）以构建特征矩阵 $F$ 。使用 LOO 值而非原始估计值，可以迫使后续的选择步骤依赖于样本外预测信号，而非样本内噪声。
- 优化： 为了处理大规模数据，作者通过 Adelie Python 包对这些计算进行了向量化处理，并在多个 CPU 核心上进行了并行化。
第二阶段：引导稀疏回归：
使用 LOO 预测值作为特征 $F$ 来预测响应变量 $y$ ，并拟合一个非负 Lasso 模型。
- 符号约束： 此阶段的系数 $\theta_j$ 被约束为非负。最终的多元系数通过 $\hat{\gamma}_j = \hat{\beta}_j \hat{\theta}_j$ 进行恢复。这确保了最终系数的符号与单变量系数的符号一致（或为零），防止了因符号反转而导致的解释复杂化。
- 处理二元响应： 对于二元结局，该方法使用惩罚逻辑回归。由于逻辑损失函数不存在闭式 LOO 解，作者采用了迭代重加权最小二乘法（IRLS）结合 Rad 和 Maleki [2020] 提出的 LOO 预测近似方法。

可扩展性与稳定性修改

为了使 uniLasso 能够适用于 UK Biobank，作者引入了几项关键的工程和统计学修改：

数据拆分： 他们没有使用 $k$ 折交叉验证（对于 $p \gg n$ 的情况成本过高），而是使用了 70/10/20 的训练/验证/测试集拆分来调优正则化参数 $\lambda$ 。
MAF 过滤： 剔除了次要等位基因频率（MAF）< 0.0005 的 SNP，以移除对预测能力贡献较小且会导致不稳定的罕见变异。
方差稳定化： 对于低方差 SNP（但 MAF $\ge$ 0.0005），通过在 $S_{xx}$ 中加入 $S_{xx}$ 经验分布的第五百分位数来对单变量斜率计算中的分母进行正则化。这防止了在近乎常数列中出现系数爆炸。
外部评分集成（uniLasso ES）： 为了在无需获取原始数据的情况下整合外部数据（如来自 FinnGen），作者调整了惩罚项。他们使用外部单变量系数（ $\tilde{\beta}_j$ ）来定义第二阶段回归中 $\ell_1$ 惩罚的自适应权重（ $|\tilde{\beta}_j|$ ）和符号约束，而不是从训练数据中计算 LOO 估计。

核心贡献

可扩展的 uniLasso 实现： 本文展示了首个能够处理生物样本库规模数据（ $p \approx 10^6, n \approx 5 \times 10^5$ ）且基于个体级数据的 uniLasso 适配版本，克服了原始公式中的内存和时间障碍。
外部数据集成： 提供了一个将外部汇总统计数据整合进稀疏多元模型的创新框架，在无需共享原始数据的情况下，既绕过了数据共享限制，又提高了预测准确性。
二元响应扩展： 通过逻辑回归和基于 IRLS 近似法的 LOO 拟合，实现了该算法向二元表型的扩展。
在 UK Biobank 上的实证验证： 在涵盖连续型（身高、BMI）和二元型（冠心病 CHD、哮喘）的四种表型上，对该方法进行了全面的评估，并将其与标准 Lasso、PRS-CS 及其他基准模型进行了对比。

结果

作者在 UK Biobank（仅限白人英国籍人士）上针对连续型（身高、BMI）和二元型（CHD、哮喘）表型对方法进行了评估。

稀疏性与性能：
- uniLasso 达到了与标准 Lasso 相当的预测性能（例如，身高的 $R^2$ 为 0.707 对比 0.713），但选择的变量数量显著减少。
- 具体而言，与 Lasso 相比，uniLasso 在身高方面减少了 38% 的 SNP，在 BMI 方面减少了 43%，而 $R^2$ 的下降微乎其微（分别为 0.006 和 0.016）。
- 对于 CHD 等二元性状，uniLasso 比 Lasso 更加稀疏（超过 50%），而测试误差仅增加了 0.001。
可解释性：
- 一个关键发现是消除了符号变化。在标准 Lasso 中，由于相关性，系数经常相对于其单变量效应发生符号翻转（例如，12% 的身高系数发生了符号改变）；而 uniLasso 通过构造确保所有非零系数都保留其单变量效应的符号，显著增强了可解释性。
外部评分（uniLasso ES）：
- 集成来自 FinnGen 的外部评分（uniLasso ES）在所有四种表型中均获得了最佳预测性能。
- 对于身高，uniLasso ES 实现了 0.716 的 $R^2$ （对比 Lasso 的 0.713）。
- 尽管使用了外部数据，这些模型仍然比 Lasso 和 PRS-CS 更具稀疏性。
与 PRS-CS 的比较：
- PRS-CS 是一种稠密的贝叶斯方法，在连续性状上表现不如所有基于 Lasso 的方法，仅在 CHD 上与之持平。PRS-CS 生成的是稠密模型（使用了所有 SNP），而 uniLasso ES 保持了高度的稀疏性。

意义与主张

本文声称，对于生物样本库规模的基因组数据，uniLasso 在预测准确性、稀疏性和可解释性之间提供了更优的权衡。

挑战“无穷小”观点： 研究结果为严格的“泛基因组”或无穷小模型（如 PRS-CS 或 LDpred-inf，这些模型假设每个变异都有非零效应）提供了实证的反证。作者认为，对于实际预测而言，一种“稀疏多基因”的观点——即少数几万个变异即可捕捉大部分信号——是足够且更稳健的。
机制清晰度： 通过将权重集中在（或靠近）真正的因果变异上，而非分散在相关的 LD 区块中，uniLasso 减少了来自非因果标签 SNP 的“噪声”贡献，从而可能提高个体风险估计的稳健性。
实用价值： 该方法证明了直接在个体级生物样本库数据上拟合多元模型是可行的，超越了传统的两步走（GWAS 加 PRS）流程的局限性。外部汇总统计数据的集成进一步增强了这一效用，特别是在隐私受限的环境中。

作者总结道，虽然稠密模型在仅有汇总统计数据可用时具有价值，但在追求可解释性和计算效率的场景下，以 uniLasso 为代表的稀疏多元方法是非常有效的。