💻 生物信息学

Joint Variable Selection for Omic Biomarkers in Time-to-Event Data

本文介绍了 vampW，这是一种基于向量近似消息传递（Vector Approximate Message Passing）和 Weibull 模型的全新全参数贝叶斯方法，它通过对相关的多组学生物标志物和生存时间数据进行有效的联合建模，显著降低了假发现率并提高了疾病发作预测的准确性，从而优于传统的边缘检验和其他联合模型。

原作者： Bajzik, J., Depope, A., Zolfimoselo, Y., Sharipov, A., Lesayova, A., Klein, H., Richmond, A., Vernardis, S., Grauslys, A., Andrejev, S., Zelezniak, A., Ralser, M., Marioni, R., Mondelli, M., Robinson

发布于 2026-10-14

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Bajzik, J., Depope, A., Zolfimoselo, Y., Sharipov, A., Lesayova, A., Klein, H., Richmond, A., Vernardis, S., Grauslys, A., Andrejev, S., Zelezniak, A., Ralser, M., Marioni, R., Mondelli, M., Robinson, M. R.

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

随着年龄的增长，人们患上许多常见疾病（如心脏病、癌症和神经退行性疾病）的风险会急剧上升。这种关系并非缓慢、平稳的攀升，而是一种指数级的增长，即患病可能性会随着每年的流逝而迅速加速。科学家们长期以来一直试图了解哪些特定的生物标志物（例如血液中漂浮的蛋白质）是驱动这一过程的因素。通过将医疗记录中发现的疾病诊断时间与成千上万种此类生物标志物的测量值联系起来，研究人员希望揭示导致疾病发生的隐藏遗传和分子通路。其目标是识别可靠的早期预警信号，从而帮助医生预测一个人何时可能生病，从而实现更早期的筛查和预防。

几十年来，寻找这些联系的标准方法是每次测试一种生物标志物。研究人员会观察单一蛋白质，并询问其水平是否与疾病发作年龄相关，却忽略了蛋白质通常在复杂的、相互依赖的网络中协同工作的这一事实。这种方法虽然简单，但有一个重大缺陷：因为它孤立地对待每个标志物，因此经常将相关性误认为因果关系，导致大量的虚假警报。为了解决这个问题，一个研究团队开发了一种名为 vampW 的新型计算工具。该方法不再逐一检查标志物，而是同时观察数千种蛋白质，并考虑它们如何相互影响。通过这种方式，它能够区分哪些蛋白质是真正驱动疾病过程的因素，而哪些仅仅是卷入同一生物电流中的旁观者。

研究人员使用来自英国生物样本库（UK Biobank）的数据对这种新方法进行了测试，这是一个包含超过 5.3 万人的大规模健康信息集合。他们将血液蛋白质测量值与电子健康记录相结合，以追踪人们被诊断出 24 种不同疾病（范围从阿尔茨海默病、前列腺癌到高血压和抑郁症）时的年龄。当他们应用这种新方法时，结果令人震惊。传统的逐一测试标志物的方法产生了数万个关联，但其中绝大多数很可能是由于蛋白质之间错综复杂的关联网络而导致的虚假发现。相比之下，这种新的联合建模方法在不调整年龄的情况下，识别出了 219 个与疾病发作相关的精确蛋白质关联；而在考虑了年龄影响蛋白质水平的复杂非线性方式后，则识别出了 1,308 个关联。

至关重要的是，新方法不仅找到了更少的结论，而且找到了更好的结论。由新工具识别出的许多蛋白质与旧方法发现的热门蛋白质完全不同。例如，传统方法强调的是那些随年龄增长而升高的蛋白质，而新方法则揭示了特定的生物信号，例如与结直肠癌相关的 CXCL17 蛋白，以及与抑郁症相关的 Tenascin-XB 蛋白，而这些信号在旧技术中被忽视或掩盖了。研究人员还证实，这些发现并非仅仅是英国数据的偶然现象；他们成功地在来自冰岛和苏格兰的独立人群组中复制了结果，并使用了不同的技术来测量蛋白质。这种复制表明，该方法具有鲁棒性，能够跨越不同的群体和测量系统发现真实的生物信号。

除了单纯识别哪些蛋白质重要之外，这个新工具在精确预测疾病何时袭来方面也表现得更为卓越。在针对 14 种不同结局的测试中，与现有的最佳统计模型相比，新方法将预测疾病发作年龄的误差降低了 30% 以上；与先进的深度学习方法相比，误差降低了 26%。这种改进意义重大，因为这意味着该工具可以提供更清晰的疾病风险时间线，这对于规划医疗干预至关重要。此外，即使应用于具有不同遗传背景的少数族裔群体，该方法仍能保持其准确性，而这正是其他模型经常失败的挑战所在。

研究还强调了在分析中如何处理年龄的重要性。当研究人员根据蛋白质水平随年龄呈指数级变化的特性进行调整时，重要的蛋白质列表发生了剧烈变化。一些在旧方法下显得重要的蛋白质消失了，而新的、具有生物学意义的候选者则显现出来。这种敏感性表明，科学家纠正年龄的方式可以从根本上改变他们的发现。通过使用一个尊重实际事件发生时间而非仅仅是顺序的完全参数化模型，这种新方法为复杂疾病背后的生物架构提供了一个更准确、更具解释性的地图。

最终，这项工作提供了一种从海量生物数据集中筛选噪声的强大新方法。它使该领域从低效的单变量测试转向了尊重人体互联本质的整体视角。通过减少虚假发现并提高预测准确性，该方法为理解疾病的基因组根源提供了更清晰的路径。随着生物样本库的不断扩大并纳入更多样化的人群，像这样的工具对于将海量数据转化为可操作的医学洞察力将至关重要，有望改变我们应对衰老过程中疾病的筛查与预防方式。

技术摘要：用于时间-事件数据中组学生物标志物的联合变量选择

问题陈述
神经退行性疾病、癌症和代谢疾病的发病率随年龄增长呈指数级上升。识别驱动这些疾病的基因组和生物学通路，需要将电子健康记录中的诊断时间数据与多组学测量指标联系起来。目前的标准做法依赖于半参数 Cox 比例风险（CoxPH）模型。然而，这些方法面临两个主要局限性：

边缘测试（Marginal Testing）： 大多数关联研究一次只测试一个基因特征，忽略了标记物之间普遍存在的相关性。这会导致误报率（False Discovery Rates）上升，并难以区分哪些蛋白质是真正驱动疾病发生的关键。
预测局限性： 虽然惩罚项 CoxPH 模型允许进行联合建模，但它们依赖于部分似然函数（Partial Likelihoods），忽略了基准风险（Baseline Hazard）和精确的事件间隔。因此，它们提供的是相对风险评分，而非直接的绝对事件时间（发病年龄）预测，且缺乏连续的生存曲线。

方法论：vampW 框架
作者引入了 vampW，这是一种专为联合变量选择和时间-事件预测设计的全参数贝叶斯计算方法。该方法集成了 向量近似消息传递（Vector Approximate Message Passing, VAMP） 框架与 Weibull 生存模型。

模型构建： 该方法将时间-事件（ $y$ ）的对数建模为生物标记物（ $X$ ）与 Gumbel 分布噪声项的线性组合，并由 Weibull 形状参数（ $\alpha$ ）进行缩放。这种形式化方法允许灵活的风险结构，其风险可以随时间增加、减少或保持不变。
先验结构： 为了处理高维数据和稀疏性，vampW 对标记物效应（ $\beta$ ）采用了自适应 尖峰-浆分离先验（Spike-and-Slab Prior）。这使得模型能够自适应地估计包含概率（Inclusion Probabilities）和特定混合分布的方差。
算法创新：
- Weibull 通道去噪器： 作者引入了专门针对 Weibull 链接函数在 VAMP 框架内设计的创新去噪器。
- 处理删失（Handling Censoring）： 该方法的一个核心贡献是将 VAMP 适配以处理右删失数据。算法将 Gumbel 分布的生存函数纳入优化目标，从而有效地最大化了删失个体生存时间超过其删失时间的概率。
- 估计： 参数通过期望最大化（EM）程序进行估计。算法利用 Hutchinson 估计量进行迹（Trace）计算，并使用热启动（Warm-started）共轭梯度求解器以确保计算效率。此外，还采用了阻尼（Damping）和阻尼自动调优技术，以在存在非旋转不变数据设计矩阵的情况下稳定收敛。
输出： vampW 产生用于变量选择的 后验包含概率（Posterior Inclusion Probabilities, PIP），并提供用于样本外预测绝对事件时间的连续生存曲线。

核心贡献

新颖算法： vampW 是首个将 VAMP 框架应用于带有右删失数据的 Weibull 生存模型的方法，实现了对数千个组学特征的联合建模。
改进的变量选择： 通过对特征进行联合建模，该方法考虑了相关性结构，与边缘测试和其他联合 CoxPH 方法相比，显著降低了误报。
卓越的预测能力： 不同于仅提供相对风险的 CoxPH，vampW 能直接预测绝对发病年龄及连续生存曲线。
整合先验知识： 贝叶斯框架允许整合先验知识，并提供不确定性量化的置信区间。

结果
作者通过广泛的模拟实验和使用 UK Biobank 药物蛋白质组学项目（PPP）数据集（ $N=53,018$ ， $P=2,924$ 种蛋白质）的真实世界应用评估了 vampW。

模拟研究： 在涉及信噪比、删失率和分布假设变化的 24 种场景下，vampW 展示了以下特性：
- 变量选择： 与边缘 CoxPH、联合 CoxPH、LASSO 惩罚 CoxPH 和 DeepSurv 相比，vampW 具有校准后的错误发现率（FDR）和更高的真阳性率（TPR）。在模拟中，边缘测试产生的假阳性率超过 80%。
- 预测： 与所有基准方法（包括 DeepSurv）相比，vampW 实现了更高的一致性指数（C-index）和更低的均方根误差（RMSE）。
- 鲁棒性： 即使在模型误设（例如非线性效应、交互作用和竞争风险）的情况下，该方法仍保持了竞争力。
UK Biobank 应用：
- 关联分析： 将 vampW 应用于 24 种疾病结局，识别出 219 个蛋白质关联（未进行指数年龄校正）和 1,308 个关联（进行了指数年龄校正）。
- 新颖性： vampW 发现的大多数关联并不属于顶部的边缘发现结果。显著发现包括 CXCL17 与抑郁症、TNXB 与抑郁症以及 PARK7 与帕金森病的关联。
- 年龄校正： 研究强调了结果对年龄校正方法的敏感性。在未对指数年龄效应进行校正时，许多关联（如 CGA）是由年龄相关性驱动的；通过校正，揭示了截然不同的生物学通路。
- 验证： 研究结果在使用了不同技术的独立队列中得到了验证，包括冰岛队列（SomaScan v4）和 Generation Scotland 队列（质谱法）。
预测性能：
- 在 14 种疾病结局中，与 CoxPH 变体相比，vampW 将 RMSE 降低了 >30%；与 DeepSurv 相比，降低了 >26%。
- 该方法在不同遗传背景的数据中表现出高度的可迁移性，在少数族裔群体（非洲和南亚人群）中保持了预测效用。
- 在数据匮乏的情境下（小样本量），vampW 在标准生存分析基准数据集（METABRIC, SUPPORT, SAC3, GBSG）上表现优于深度学习方法。

意义与主张
论文声称 vampW 提供了一个强大的统一计算框架，用于剖析复杂疾病的基因组架构。其重要性在于：

准确性与可解释性： 它提供了准确的变量选择、可解释的风险结构以及不确定性量化，解决了深度学习方法中存在的“黑箱”问题。
高效性： 它在关联测试和时间-事件预测方面均达到了最先进的性能，在面对高相关性和有限数据时，表现优于传统统计方法和深度学习方法。
临床实用性： 通过预测绝对发病年龄而非仅仅是相对风险，vampW 为更具行动力的患者筛查和预防医学策略提供了便利。

作者总结道，通过 vampW 进行联合建模对于减少误报和发现边缘测试所遗漏的新型疾病通路至关重要，从而推进了对疾病发生机制的理解。

类似论文