高维可变系数模型在区域DNA甲基化数量性状位点鉴定中的创新方法与应用

《Biostatistics》：A novel high-dimensional model for identifying regional DNA methylation QTLs

本研究针对高维遗传数据中非线性/可变效应变量选择的难题，提出了一种结合稀疏性与平滑性控制的复合惩罚方法（SSP），通过高效近端梯度下降算法实现了区域mQTLs的精准识别。仿真验证表明该方法在估计精度和变量选择方面优于传统方法，在CARTaGENE队列的实际应用中成功识别出1,014个具有mQTLs的甲基化区域，为表观遗传调控机制研究提供了新工具。

　　

在表观遗传学研究领域，DNA甲基化作为关键调控机制深刻影响着基因表达和疾病易感性。科学家们发现，遗传变异对甲基化水平的调控作用往往呈现出区域性特征——单个核苷酸多态性（SNP）可能协调影响多个相邻CpG位点的甲基化状态，这种现象被称为甲基化数量性状位点（mQTLs）效应。然而，传统分析方法通常独立检验每个SNP与单个CpG位点的关联，忽视了甲基化水平在基因组空间上的相关性，特别是在靶向捕获双硫酸盐测序（BS）技术能提供碱基分辨率数据的今天，这种方法的局限性愈发明显。

更复杂的挑战在于现实研究中的数据特征：调控区域附近往往存在数百甚至数千个候选SNP，而样本量却因测序成本限制保持较小规模。这种高维设定下，传统可变系数模型既无法有效进行变量选择，也难以捕捉遗传效应沿基因组位置的平滑变化模式。正如研究数据显示，甲基化水平在1kb范围内的CpG位点间表现出强空间相关性，且SNP效应倾向于呈现区域化结构——影响相邻CpG位点簇而非孤立位点。

针对这一难题，由Kaiqiong Zhao领衔的研究团队在《Biostatistics》上发表了一项创新研究，开发了一种新型高维模型来识别区域DNA甲基化QTLs。该研究巧妙地将稀疏性与平滑性控制融入统一框架，通过复合惩罚函数解决了高维设定下变量选择与函数估计的平衡问题。

研究团队采用了几项关键技术方法：基于自然三次样条的基础函数展开表示变系数函数，构建复合稀疏-平滑惩罚（SSP）函数实现联合正则化，开发高效近端梯度下降算法进行参数估计，并通过交叉验证选择调优参数。分析数据来自CARTaGENE队列的98名无症状参与者，重点关注类风湿关节炎风险标志物抗瓜氨酸蛋白抗体（ACPA）水平与DNA甲基化的关联。

模型构建与算法设计

研究人员建立了基于二项似然的高维可变系数模型，其中SNP效应表示为沿基因组位置变化的平滑函数系数。关键创新在于提出的复合惩罚函数，包含两个组成部分：J₁量化函数系数的L2范数，J₂控制β_p(t)的平滑度。通过调优参数λ和α分别控制模型复杂度和平滑度与函数幅度的相对权重。算法方面，研究设计了包含回溯直线搜索的近端梯度下降法，确保在高维预测变量空间中的可扩展性和稳定收敛。

仿真研究验证

通过全面仿真研究，团队评估了方法在估计精度、预测误差和变量选择准确性方面的表现。仿真设计包含不同SNP数量（P=50,100,150,200,1000）、真实mQTLs数量（P_true=5或10）以及效应曲线形状（平滑与非平滑）等多种场景。

结果显示，当底层函数平滑时，SSP方法在估计偏差、方差和综合均方误差（IMSE）方面均优于仅考虑稀疏性的方法（SSP0和群组LASSO）。添加平滑控制显著降低了估计偏差和方差，同时实现了更小的预测误差和略好的变量选择性能。特别值得注意的是，SSP方法对基函数维度的选择不敏感，而SSP0和群组LASSO的性能随着基函数数量增加而恶化。

自适应惩罚扩展

研究还提出了自适应稀疏-平滑惩罚（SSP）方法，通过数据自适应权重允许对不同功能组件进行不同量的惩罚。仿真表明，自适应版本在减少错误阳性（FP）的同时保持真实阳性（TP）数量方面表现优异，而结合1-SE规则进一步提高了变量选择的准确性。

实际数据应用

在CARTaGENE队列的实际应用中，研究团队进行了两阶段分析：第一阶段使用sparseSOMNiBUS识别区域mQTLs，第二阶段在调整已识别mQTLs的同时测试ACPA-甲基化关联。他们将区域定义为每个蛋白质编码基因的第一个外显子加上游2,000bp，最终分析了12,283个区域（约140万个CpG位点）。

应用结果显示，该方法成功识别了1,014个至少含有一个mQTL的区域。识别出的mQTLs与峰值CpG位点的距离从63bp到2.5Mb不等，分布峰值在50kb以下，并带有长而平的尾部，表明近端关联的富集以及显著的远端效应。研究还发现，含有更多CpG位点的区域倾向于选择较低的α值（ favoring灵活拟合），而检测到mQTLs的区域更常选择较高的α，反映了更广泛、结构化的甲基化变化。

结论与意义

该研究开发的高维可变系数模型成功解决了区域mQTL映射中的关键统计挑战，通过统一的稀疏-平滑惩罚框架实现了变量选择与函数估计的优化平衡。方法的核心优势在于能同时捕捉平滑趋势和局部偏差，适应不同类型的信号模式，为表观遗传学研究提供了强大工具。

实际应用表明，sparseSOMNiBUS方法能有效识别具有生物学意义的甲基化模式，揭示SNP对甲基化的区域化影响。特别是在类风湿关节炎相关生物标志物研究中，该方法为理解遗传因素对表观遗传调控的影响提供了新视角。

研究的创新性不仅体现在方法论层面，还在于其实际应用价值。通过开源R包sparseSOMNiBUS的实现，研究为领域内学者提供了可直接使用的分析工具，填补了现有软件在处理非二元二项结果惩罚回归模型方面的空白。

未来，该方法可进一步扩展至考虑测量误差的层次二项回归框架，以及放松分布假设的准似然变量选择方向，为表观遗传学数据分析开辟新的可能性。