《PLOS Computational Biology》:Powerful large scale inference in high dimensional mediation analysis
编辑推荐:
在基因组泛关联研究(Genome-Wide Association Studies, GWAS)及表观遗传学中,判定暴露变量(如单核苷酸多态性Single Nucleotide Polymorphism, SNP)是否通过中间变量(如DNA甲基化位点CpG)影
在基因组泛关联研究(Genome-Wide Association Studies, GWAS)及表观遗传学中,判定暴露变量(如单核苷酸多态性Single Nucleotide Polymorphism, SNP)是否通过中间变量(如DNA甲基化位点CpG)影响结局(如基因表达)是核心挑战。中介分析(mediation analysis)为此提供框架,但检验中介效应涉及复杂的复合零假设(composite null hypothesis) H0: α·β=0(其中α为暴露-中介体效应系数,β为中介体-结局效应系数)。现有方法如Sobel检验或Max-P检验因仅基于零空间(null space)子集构建零分布且在多重检验校正中未针对高维数据优化,常导致统计功效(power)不足。为解决此局限,研究人员提出MLFDR(Mediation Analysis using Local False Discovery Rates),一种新颖的高维中介分析方法。MLFDR利用结构方程模型(structural equation model)的系数计算局部错误发现率(local false discovery rate, lfdr),构建最优拒绝域(rejection region)。研究人员通过理论与模拟证明MLFDR在大样本下渐近控制错误发现率(False Discovery Rate, FDR)且相比近期高维中介方法具有更优的统计功效。在真实数据分析中,MLFDR比现有方法多识别出20%–50%的显著中介因子(mediator),证实其能捕获常规方法遗漏的生物学信号。
《PLOS Computational Biology》论文解读:基于局部错误发现率(MLFDR)的高维中介分析方法研究
研究背景与问题提出
在基因组泛关联研究(Genome-Wide Association Studies, GWAS)中,揭示遗传变异通过表观遗传标记(如DNA甲基化CpG位点)影响疾病或基因表达的因果通路是转化医学的关键。传统中介分析采用"系数乘积法(product of coefficients method)"检验H0: α·β=0(α为暴露X→中介体Mi系数,β为Mi→结局Y系数),该复合零假设包含三种情况:(i)α=0,β≠0;(ii)α≠0,β=0;(iii)α=0,β=0。经典方法如Sobel检验和Max-P(Max-P test)通常基于情形(i)(ii)推导零分布,在情形(iii)(即大多数组学标记无中介效应时)表现保守且功效低。近年方法如HDMT(JS-mixture)和MDACT(Modified DACT)虽尝试建模复合零假设,但非理论最优且MDACT在密集替代假设(dense alternatives)下存在FDR膨胀风险。高维组学数据面临严峻的多重检验负担与潜在未测混杂因素(unmeasured confounders)及多效性(pleiotropy)问题,亟需一种能自适应控制FDR且具有最优拒绝域的高功效筛选算法。
主要关键技术方法
研究人员开发R语言程序包MLFDR并在CRAN发布。首先对每个中介单元i拟合两个线性回归获取最小二乘估计量a与b?及其标准误;假定(α,β)在零状态下退化于0、在替代状态下服从高斯先验(Gaussian prior),通过EM算法(Expectation-Maximization algorithm)估计混合比例π00,π01,π10及高斯成分参数;基于后验概率计算联合局部错误发现率fdr(a,b?)=P(H0,i|a,b?);采用基于lfdr的step-up程序(参照Storey et al. 2003)自适应确定阈值δ使估计边际FDR(mFDR)≤预设水平。扩展算法MLFDR2对(α,β)使用复合替代假设(高斯混合分布)并通过两步EM(two-step EM algorithm)降维求解;针对未测混杂与多效性引入替代变量分析(Surrogate Variable Analysis, SVA)分两步提取中介体矩阵M与结局矩阵Y的潜因子(latent factors)并进行全局校正。模拟研究设置n=100或200、m=1000个中介体,对比稀疏(sparse)与密集(dense)替代假设场景,涵盖线性模型含/不含观测混杂、二分类结局、暴露-中介体交互作用及潜因子场景;真实数据应用采用TCGA(The Cancer Genome Atlas)前列腺癌症风险SNP-CpG-基因表达三联体(n=495, 69602测试)及TCGA肺鳞癌吸烟史(pack-years)-CpG-基因表达通路(n=379, 319761测试)。
研究结果
2.1 Method overview(方法概述)
研究人员阐述MLFDR流程:对第i个X-Mi-Y单元拟合Mi=αiX+εi与Y=βiMi+cX+ζi获ai,b?i;设定混合先验P((α,β)∈Hjk)=πjk(j,k∈{0,1},H00:α=0∧β=0, H01:α=0∧β≠0, H10:α≠0∧β=0, H11:α≠0∧β≠0);通过EM估计参数后算fdri=P(H0,i|ai,b?i)=[π00φ(ai,b?i|H00)+π01φ(·|H01)+π10φ(·|H10)]/f(ai,b?i);按升序排列fdr(1)≤…≤fdr(m),取最大k使(1/k)Σj=1kfdr(j)≤目标FDR作为拒绝前k个假设。结论:该方法构建了基于后验概率的最优拒绝域,理论上有别于基于p值的排序并可获得更高功效。
2.2 Simulation studies(模拟研究)
在线性模型、含观测混杂的线性模型及二分类结局三类设定下,比较MLFDR与MDACT、HDMT。结果显示三法均满足FDR控制(≈0.05目标下),但MLFDR功效最高——密集替代假设下平均较MDACT高10.83%、较HDMT高12.23%;稀疏替代假设下分别高7.47%与8.51%。结论:MLFDR在不同数据类型与信号强度τ下均具稳健的FDR控制与显著功效提升。
2.3 Extensions(方法扩展)
2.3.1 Latent factors.(潜因子处理)引入SVA提取M对X回归残差的主成分作为V?M,提取Y对X(不含M)回归残差的主成分作为V?Y,将V?M、V?Y加入Mi与Yi的回归中以校正未测混杂与多效性。在具未知暴露-中介体交互项及存未测混杂Z1,Z2与密集多效性的模拟中,MLFDR+SVA保持FDR控制且功效优于对比方法。结论:两步全局潜因子校正可有效处理高维中介中的隐藏混淆结构。
2.3.2 Composite alternatives.(复合替代假设)允许α~∑j=1d1ωj(α)N(μj(α),σj(α)2)、β~∑k=1d2ωk(β)N(μk(β),σk(β)2)并采用两步EM先估边缘混合再约束联合混合比例πjk。模拟显示MLFDR(复合替代)仍严控FDR且在密集替代时较HDMT、MDACT功效更优。结论:扩展模型适应效应量为混合分布的情形且不损渐近FDR控制。
3 Real data analysis(真实数据分析)
3.1 TCGA prostate cancer data(TCGA前列腺癌数据)分析147个风险SNP×CpG×基因表达三联体(69602条)。经PCA与临床协变量校正后用AIC选d2=8成分混合模型拟合β系数、d1=2拟α。FDR≤0.01时HDMT发现137条、MDACT 180条、MLFDR 187条;MLFDR新检出含rs12653946→IRX4及rs7767188→TRIM26等已知通路。结论:MLFDR在实际EWAS(表观基因组关联研究)场景中挖掘更多具生物学意义的SNP-CpG-表达介导通路。
3.2 TCGA lung squamous cell carcinoma(TCGA肺鳞癌数据)分析吸烟包年→CpG→基因表达(319761条通路)。FDR≤0.01时HDMT 13条、MDACT 25条、MLFDR 44条;新检出的WDR66、LY6K、TCIRG1等相关基因与文献互证。置换检验(global null)表明HDMT与MLFDR FDR受控而MDACT在低FDR水平微幅膨胀。结论:MLFDR在处理环境暴露-表观-表达的高维中介问题中具更高检出力与可靠的错误率控制。
讨论与结论(Discussion & Conclusion)
研究人员指出,MLFDR将局部错误发现率(local false discovery rate, lfdr)框架拓展至复合零假设的高维中介分析,通过EM算法估计混合高斯模型参数并计算各假设的后验零概率,采用基于lfdr的step-up程序构建理论上最优(在控制mFDR下最大化期望拒绝数)的拒绝域。方法可兼容二分类结局、暴露-中介体交互及通过替代变量分析(Surrogate Variable Analysis, SVA)校正未测混杂与多效性;两步EM适用于复合替代假设下降维加速。模拟与TCGA实证表明MLFDR在保持FDR控制前提下功效高于HDMT与MDACT,尤在密集或偏态替代分布时优势明显,并能发掘传统方法漏检的生物学介导通路。该文证明MLFDR的大样本FDR控制定理(oracle与adaptive情形),并提供开源R包,推荐作为高维基因组与表观中介筛选的p值方法替代方案。