Two-Stage Multiple Test Procedures Controlling False Discovery Rate with auxiliary variable and their Application to Set4Delta Mutant Data

这是一份关于论文《Two-Stage Multiple Test Procedures Controlling False Discovery Rate with auxiliary variable and their Application to Set4∆Mutant Data》（基于辅助变量的两阶段多重检验程序控制错误发现率及其在 Set4∆突变体数据中的应用）的详细技术总结。

1. 研究背景与问题 (Problem)

• 核心问题：在多重假设检验中，传统的基于 $p$ 值的方法（如 Benjamini-Hochberg 程序）往往忽略了实验中的额外信息（辅助变量），导致统计功效（Power）不足，无法发现更多具有生物学意义的基因。
• 现有方法的局限性：
  • 现有的利用协变量（辅助变量）的方法（如 AdaFDR, IHW 等）通常对 $p$ 值的分布施加了严格的假设。例如，假设在零假设下，无论协变量取何值，$p$ 值均服从均匀分布（Uniform distribution），或者假设 $p$ 值的条件分布关于 0.5 对称（Mirroring property）。
  • 这些强假设在真实数据中往往不成立。例如，在基因表达数据中，log-fold change 的显著性可能与其标准差（变异程度）高度相关，导致 $p$ 值分布并不满足上述对称性或均匀性假设。
  • 如果强行应用这些假设，可能导致错误发现率（FDR）失控或统计功效降低。
• 研究目标：开发一种新的多重检验框架，能够灵活地利用辅助变量（如实验变异度）来增强对主要变量（如 log-fold change）的检验功效，同时严格控制在零假设下的 FDR，且不对 $p$ 值的边际分布做强假设。

2. 方法论 (Methodology)

作者提出了一种基于**Copula（连接函数）**的两阶段多重检验框架，旨在建模主要变量（$\beta$）与辅助变量（$y$）之间的联合分布，从而捕捉它们之间的依赖结构。

2.1 数据建模与分布估计

• 主要变量 ($\beta$)：代表 log-fold change。假设其服从混合分布 $f(\beta) = p_0 f_0(\beta) + (1-p_0) f_1(\beta)$，其中 $f_0$ 为零假设分布，$f_1$ 为备择假设分布。
• 辅助变量 ($y$)：代表 log-fold change 的标准差（反映实验变异性）。假设其服从分布 $h(y)$，通过非参数方法（经验分布函数）进行估计，无需假设具体分布形式。
• Copula 方法：利用 Copula 函数 $G_0$ 将 $\beta$ 和 $y$ 的边际分布连接起来，构建联合分布。这种方法允许 $p$ 值在零假设下不满足均匀分布或对称性，而是通过联合分布来反映真实的依赖关系。

2.2 边缘 $p$ 值计算

• $p_{1i}$：基于辅助变量 $y_i$ 的边缘 $p$ 值（$p_{1i} = H(y_i)$）。
• $p_{2i}$：基于主要变量 $\hat{\beta}_i$ 的边缘 $p$ 值（基于估计的零假设分布 $f_0$ 计算，考虑双尾情况）。

2.3 两种两阶段 FDR 控制程序

作者提出了两种基于联合分布的聚合 $p$ 值方法：

1. 两阶段 FDR(H) - 硬阈值 (Hard Thresholding)：

   • 机制：设定一个辅助变量的阈值 $\gamma_1$。
   • 流程：首先检查 $p_{1i} \le \gamma_1$。如果不满足，直接停止对该基因的检验（视为不显著）；如果满足，则进一步检验主要变量的 $p_{2i}$。
   • 聚合 $p$ 值：$p^H_i(\gamma_1)$ 定义为联合分布函数 $C(\gamma_1, p_{2i})$（当 $p_{1i} \le \gamma_1$ 时）。
   • 特点：类似于筛选过程，第一阶段的辅助变量未达标则直接剔除。

2. 两阶段 FDR(S) - 软阈值 (Soft Thresholding)：

   • 机制：不设定固定的硬阈值，而是根据辅助变量的具体值动态调整主要变量的拒绝域。
   • 流程：计算条件分布 $p^S_i = P(P_{2i} \le p_{2i} | P_{1i} = p_{1i})$。
   • 聚合 $p$ 值：$p^S_i$ 是 $p_{2i}$ 在给定 $p_{1i}$ 下的条件累积概率。
   • 特点：拒绝区域是平滑变化的曲线（非矩形）。即使辅助变量表现一般，只要主要变量足够显著，仍有可能被拒绝；反之，辅助变量表现极好时，对主要变量的要求可适当放宽。

2.4 FDR 控制理论

• 证明了在零假设下，聚合后的 $p$ 值（$p^H_i$ 和 $p^S_i$）均服从 $(0,1)$ 上的均匀分布。
• 基于此性质，应用标准的 Benjamini-Hochberg (BH) 程序或 Storey 的 FDR 估计方法来控制整体 FDR。

3. 主要贡献 (Key Contributions)

1. 放松了分布假设：不同于现有方法要求 $p$ 值在零假设下无条件均匀或对称，该方法仅要求建模联合分布，通过 Copula 灵活捕捉变量间的依赖结构，更适应真实数据。
2. 提出了两种互补策略：
   • FDR(H) 适用于需要严格预筛选的场景（如辅助变量必须达到一定标准）。
   • FDR(S) 适用于需要利用辅助变量信息微调决策边界的场景，避免了硬阈值带来的信息丢失，通常具有更高的统计功效。
3. 理论保证：严格证明了在联合分布模型下，聚合 $p$ 值的均匀性，从而保证了 FDR 控制的有效性。
4. 实证应用：将方法应用于酵母 Set4∆突变体数据集，成功识别出传统方法遗漏的具有生物学意义的基因簇。

4. 实验结果 (Results)

4.1 模拟研究 (Simulation Studies)

• 设置：模拟了 8000 个基因，设定不同的依赖强度（Kendall's $\tau$）和效应量（$\mu$）。
• 对比方法：与 locfdr, Storey, IHW, Boca-Leek 等方法对比。
• 发现：
  • 当变量间存在依赖时，传统协变量辅助方法（如 IHW）往往无法有效控制 FDR（FDR 膨胀），或者在控制 FDR 时牺牲了过多功效。
  • 提出的 FDR(H) 和 FDR(S) 方法在保持 FDR 低于名义水平（如 0.05）的同时，显著提高了真阳性率（TPR/Power）。
  • FDR(S) 在大多数情况下表现最优，因为它能更平滑地利用辅助信息。
  • 鲁棒性测试：即使错误指定了 Copula 类型（如用 BB7 代替真实的 Clayton），提出的方法仍能较好地控制 FDR，显示出一定的鲁棒性。

4.2 真实数据分析 (Set4∆Mutant Data)

• 数据：酵母 Set4 基因敲除下的全基因组表达数据，主要变量为 log-fold change，辅助变量为 log-fold change 的标准差。
• Copula 选择：通过 AIC/BIC 等准则，确定 Clayton Copula 最适合描述数据依赖结构。
• 结果对比：
  • 单阶段方法：locfdr 检出 249 个基因，Storey 检出 424 个。
  • 两阶段 FDR(H)：检出 485 个基因。
  • 两阶段 FDR(S)：检出 582 个基因（数量最多）。
• 生物学验证：
  • 新方法（特别是 FDR(S)）成功识别了 HXT 基因家族（己糖转运蛋白）的所有成员，而传统方法仅识别了部分。
  • 这些基因在缺氧/厌氧条件下对细胞适应至关重要，且位于染色体亚端粒区域（Set4 调控区域）。
  • 功能富集分析显示，新发现的基因显著富集于“应激反应”和“细胞壁维持”通路，验证了结果的生物学合理性。

5. 意义与结论 (Significance & Conclusion)

• 方法论创新：该研究提供了一种更灵活、更强大的多重检验框架，通过 Copula 建模解决了传统方法对 $p$ 值分布假设过强的问题。
• 实际应用价值：在基因组学等高通量数据领域，实验变异度（辅助变量）往往包含重要信息。该方法能有效利用这些信息，在严格控制假阳性（FDR）的前提下，大幅提高发现真实差异表达基因的能力。
• 推广性：虽然以基因表达数据为例，但该方法适用于任何存在“主要变量”和“辅助变量”且两者存在依赖关系的多重检验场景。
• 结论：引入辅助变量并结合两阶段软/硬阈值策略，能够显著提升统计检验的效能和结果的生物学可信度，为复杂生物数据的分析提供了新的工具。

总结：这篇论文通过引入 Copula 模型和两阶段检验程序，成功打破了传统多重检验中对 $p$ 值分布的僵化假设，利用辅助变量（如实验变异性）显著提升了检测功效，并在真实的酵母基因表达数据中验证了其优越性，特别是成功挖掘出了具有关键生物学意义的 HXT 基因家族。