Sample size and power determination for assessing overall SNP effects in joint modeling of longitudinal and time-to-event data

这是一份关于论文《评估纵向与时间 - 事件数据联合建模中 SNP 总体效应的样本量与功效确定》（Sample size and power determination for assessing overall SNP effects in joint modeling of longitudinal and time-to-event data）的详细技术总结。

1. 研究背景与问题 (Problem)

• 背景：在临床研究中，纵向生物标志物（如糖化血红蛋白 HbA1c）与时间 - 事件结局（如糖尿病并发症的发生）之间存在强关联。虽然联合建模（Joint Modeling, JM）方法在统计推断方面已取得显著进展，但在遗传学研究（特别是全基因组关联研究 GWAS）中，针对此类联合模型的样本量估算和功效分析（Power Determination）却相对缺乏。
• 核心挑战：
  1. 遗传效应的复杂性：遗传变异（SNP）不仅可能直接增加事件风险，还可能通过影响纵向生物标志物（中介路径）间接影响风险。传统的生存分析样本量公式通常只考虑直接效应，无法捕捉这种“直接 + 间接”的总体效应。
  2. 协变量特性：SNP 通常是分类变量（0, 1, 2 个风险等位基因），且基因型分布可能不平衡（取决于等位基因频率），这会影响统计效率。此外，遗传效应可能是双向的（增加或降低风险），需要双侧检验，这与通常假设单向效应的治疗效应不同。
  3. 计算困难：直接对联合模型进行似然推断（如使用 EM 算法）计算量巨大，难以在大规模模拟或 GWAS 中快速进行样本量规划。
• 研究目标：推导一个闭式（closed-form），用于在联合建模框架下检验单个 SNP 对事件风险的总体效应（包括直接效应和通过纵向轨迹介导的间接效应）。

2. 方法论 (Methodology)

2.1 统计模型框架

作者建立了一个联合模型，包含两个子模型：

1. 纵向子模型：描述生物标志物 $Y_i(t)$ 的轨迹。
   $$Y_i(t) = \eta_i(t) + \epsilon_i(t)$$
   其中真实轨迹 $\eta_i(t)$ 包含固定效应（包括 SNP 效应 $\beta_g$）和随机效应。
2. 生存子模型：描述事件发生风险 $\lambda_i(t)$。
   $$\lambda_i(t) = \lambda_0(t) \exp \{ \gamma_g \text{SNP}_i + \alpha \eta_i(t) \}$$
   • $\gamma_g$：SNP 对风险的直接效应。
   • $\alpha$：纵向轨迹与事件风险之间的关联强度。
   • 总体效应：SNP 对事件风险的总影响为 $\gamma_g + \alpha\beta_g$。研究的核心假设检验为 $H_0: \gamma_g + \alpha\beta_g = 0$。

2.2 样本量与功效公式推导

基于 Schoenfeld (1983) 和 Chen et al. (2011) 的方法，作者推导了检测总体 SNP 效应所需的事件数 $D$ 的闭式公式：
$$D = \frac{(Z_{1-\tilde{\beta}} + Z_{1-\tilde{\alpha}/2})^2}{2pq(\gamma_g + \alpha\beta_g)^2}$$

• $p, q$：分别为次要等位基因和主要等位基因的频率（$2pq$ 代表基因型方差）。
• $\tilde{\alpha}, \tilde{\beta}$：显著性水平和第二类错误率。
• $\gamma_g + \alpha\beta_g$：SNP 的总体效应大小。
• 关键点：公式表明，所需事件数与基因型方差 ($2pq$) 和总体效应大小的平方成反比。稀有变异（$p$ 小）或微弱效应需要更大的样本量。

2.3 两阶段估计法 (Two-Stage Approach)

为了克服直接联合建模计算量大的问题，作者提出了一种实用的两阶段方法来估计总体效应并验证功效：

1. 第一阶段：拟合完整的纵向模型，估计 SNP 对轨迹的影响 $\hat{\beta}_g$。计算调整后的纵向响应 $y'_i(t) = y_i(t) - \hat{\beta}_g \text{SNP}_i$，从而去除 SNP 对轨迹的直接影响。
2. 第二阶段：
   • 拟合简化纵向模型以估计去除了 SNP 影响的轨迹 $\hat{\eta}'_i(t)$。
   • 拟合生存模型：$\lambda_i(t) = \lambda_0(t) \exp \{ \theta_g \text{SNP}_i + \alpha' \hat{\eta}'_i(t) \}$。
   • 在此模型中，$\theta_g$ 即为总体 SNP 效应的估计值。
   • 通过模拟计算该方法的经验功效（Empirical Power）。

3. 主要结果 (Key Results)

3.1 模拟研究验证

作者通过 1000 次模拟实验验证了公式的准确性和稳健性：

• 准确性：计算出的功效与经验功效高度一致，特别是在不同的随机效应结构（截距、斜率方差及协方差）下，公式表现稳健。
• 测量频率的影响：只要每个受试者的测量次数足够，测量频率（如每季度 vs 每半年）对公式准确性影响不大。但在测量次数极少（区间删失严重）时，功效会被低估。
• 模型误设：如果纵向轨迹的真实模型是二次的（非线性），但被错误地设定为线性的，会导致经验功效低于计算功效。这强调了正确指定纵向模型的重要性。
• 偏差分析：如果在生存模型中忽略纵向轨迹（即使用简单的 Cox 模型），会导致直接效应 $\gamma_g$ 的估计出现偏差（Attenuation Bias）。相比之下，提出的两阶段方法和联合似然法能有效控制偏差，且两阶段法在某些条件下表现更稳健。

3.2 参数敏感性分析

• 随访时间与样本量：更长的随访时间能积累更多事件，从而提高功效。
• 效应大小：$\alpha$（纵向 - 生存关联）或 $\gamma_g$（直接效应）越小，达到相同功效所需的样本量越大。
• 等位基因频率：稀有变异（$p$ 小）显著降低统计功效，需要更大的样本量。

3.3 应用实例：DCCT 研究回顾性分析

作者利用糖尿病控制与并发症试验（DCCT）数据进行了回顾性功效分析：

• 数据概况：1441 名 1 型糖尿病患者，分为强化治疗组和常规治疗组。
• 发现：
  • 在常规治疗组（526 人，315 个事件）中，若要达到 80% 的功效（$\alpha=0.05$），SNP 的次要等位基因频率 $p$ 需大于 0.20。
  • 在强化治疗组（527 人，232 个事件）中，由于事件数较少，达到相同功效需 $p \approx 0.40$。
  • 结论：DCCT 的样本量在常规 GWAS 显著性水平下（通常 $\alpha \approx 5 \times 10^{-8}$），不足以检测到具有中等效应的 SNP 遗传关联。这解释了为何早期研究可能未能发现某些遗传位点。

4. 关键贡献 (Key Contributions)

1. 理论创新：首次推导了适用于联合建模框架下检验 SNP总体效应（直接 + 间接）的闭式样本量公式。填补了遗传学研究中针对此类复杂模型进行设计规划的空白。
2. 实用工具：开发了一个交互式的 Shiny 应用程序 (PowerSNP)，供研究人员输入参数（如等位基因频率、效应大小、随访时间等）即可快速计算所需的样本量或功效。
3. 方法学优化：提出并验证了基于两阶段法的估计策略，在保证统计推断准确性的同时，大幅降低了计算成本，使其适用于大规模遗传学研究。
4. 实证指导：通过 DCCT 数据的分析，量化了现有队列在检测遗传效应方面的局限性，为未来类似研究的设计提供了重要参考（即需要更大的样本量或更长的随访时间）。

5. 意义与局限性 (Significance & Limitations)

• 意义：
  • 该研究为设计涉及纵向生物标志物和生存结局的遗传关联研究提供了严格的统计依据。
  • 强调了在遗传研究中区分“直接效应”和“总体效应”的重要性，避免了对遗传机制的误读。
  • 帮助研究者合理评估研究可行性，避免因样本量不足导致的假阴性结果。
• 局限性与假设：
  • 删失假设：公式推导假设纵向数据是非信息性删失（non-informative censoring）。如果存在信息性删失（如病情恶化导致退出），两阶段估计可能产生偏差。
  • 效应方向：假设直接效应和间接效应方向一致。如果两者方向相反（相互抵消），总体效应可能接近零，导致功效估计复杂化。
  • 模型设定：样本量公式的准确性依赖于纵向轨迹模型的正确设定（如多项式阶数）。模型误设会影响参数估计和功效计算的准确性。

总结：这篇论文解决了一个关键的统计设计问题，即如何在复杂的纵向 - 生存联合模型中准确规划遗传学研究。通过提供闭式公式和实用工具，它极大地增强了研究者在设计此类研究时的科学性和效率。