基于孟德尔随机化原理推断含高维混杂变量的基因组三元组因果网络

《Briefings in Bioinformatics》：Inferring causal networks for genomic trios with high-dimensional confounding variables

　　

摘要 基于孟德尔随机化原理（Principle of Mendelian Randomization, PMR）的因果结构推断，能够利用遗传变异作为工具变量对边的方向施加约束，从而研究两个分子表型（如基因表达）之间的因果关系。然而在实际推断过程中，大量混杂变量（如其他基因、其他生物学过程及人口学变量）的存在使得稳健地处理混杂因素至关重要，而现有方法在处理高维混杂方面的能力有限。本研究提出了一种用于基因组网络的孟德尔随机化方法（Mendelian Randomization for Genomic Networks, MRGN），这是一种基于回归的方法，在PMR框架下利用个体水平数据推断基因组三元组的因果模型，同时能够处理大量混杂因素。MRGN超越了经典的介导模型，能够区分多种因果关系。通过优先进行给定遗传变异和混杂变量条件下的条件独立性检验，MRGN能够在两个表型的边际关联较弱时检测到它们之间的因果关系。通过广泛的模拟研究，研究人员证明了该方法相比现有方法具有更高的推断准确性、更强的鲁棒性和更优的计算效率。研究人员进一步将MRGN应用于基因型-组织表达联盟（Genotype-Tissue Expression Consortium, GTEx）的数据，以探究遗传变异如何在顺式和反式层面调控基因表达。

论文解读文章

1. 研究背景与现存问题

在生物学研究中，理解基因如何相互调控以及遗传变异如何影响基因表达是一个重要目标。基因调控涉及复杂的、高维度的网络，这些网络可以用有向图来表示，其中有向边代表因果（或调控）关系。尽管生物学的最终目标是重建全基因组水平的基因调控网络，但通常理解两个分子表型（例如两个基因的表达水平，或基因表达与DNA甲基化）之间的因果关系也具有重要意义，而这些关系可能受到许多其他变量（如其他基因、生物学过程和人口学变量）的影响。

为了学习两个表型之间的（有向）因果关系，可以应用孟德尔随机化原理（PMR）。PMR假设自然群体中的基因型是随机分配的，因此观察性组学数据可以被视为来自随机实验。这一原理意味着连接基因型与表型的边总是从基因型指向表型，反之则不成立，从而打破了关联的对称性，使得推断表型间的调控结构成为可能。基于PMR框架的方法与传统孟德尔随机化（MR）方法有本质区别。传统MR侧重于估计因果效应，依赖于三个关键假设：相关性、独立性和排他性限制。而本研究的PMR框架并非旨在估计因果效应大小，也不要求与传统MR相同形式的排他性限制，而是主要利用遗传变异对有向图施加方向约束。

然而，基因调控的复杂性带来了严重的混杂问题。一个混杂变量可能以不同方式影响推断，包括作为共同原因（混淆因子）、中间变量或共同结果。不处理这些混杂变量会导致错误的因果推断（假阳性或假阴性）。现有的处理混杂的方法主要有两种：一是将候选混杂变量作为额外节点纳入网络图，但这会导致计算复杂度随节点数超指数增长；二是识别并整体调整混杂变量，但这方面的方法（如GMAC）主要关注介导模型，能力有限。

2. 研究目的与意义

为了解决上述问题，研究人员提出了MRGN（Mendelian Randomization for Genomic Networks）方法。这是一种基于约束的方法，用于在存在数百个潜在混杂变量的情况下，从个体水平数据推断基因组三元组的因果结构。MRGN保留了MRPC方法中的PMR约束和五种基本因果模型（M0: 零模型；M1: 介导模型；M2: V-结构模型；M3: 条件独立模型；M4: 全连接模型），但在两个重要方面进行了改进：首先，MRGN优先进行条件独立性检验而非边际独立性检验，这有助于保留那些因辛普森悖论而在合并基因型后被削弱或掩盖的T₁-T₂关系；其次，MRGN不将候选混杂变量作为额外网络节点，而是将其作为一个整体在独立性检验中进行调整，这使得能够处理大量混杂变量而不增加推断网络的维度，显著降低了计算复杂度。通过广泛的模拟和GTEx数据的实际应用，MRGN展示了其在推断准确性、鲁棒性和计算效率上的优势。

3. 关键技术方法

研究人员开发了MRGN方法，其核心流程如下：

首先进行混杂变量选择，采用两步法：第一步从候选混杂变量池中剔除与遗传变异V边际相关的变量（因为真正的混杂因子应与V独立）；第二步筛选与任一表型（T₁或T₂）统计关联显著的变量作为最终混杂变量。此过程可结合q值方法控制错误发现率（FDR）。

然后进行因果模型推断，基于两个包含混杂变量U的回归方程（公式1和2），对三个关键的回归系数（β₁₁, β₁₂/β₂₂, β₂₁）进行标准t检验以判断条件独立性，并对边际相关性（r_V,T1, r_V,T2）进行检验。通过比较这些条件与边际依赖关系的模式，MRGN将三元组分类到五种基本因果模型之一。所有检验的显著性水平设为0.01，以在Bonferroni校正下控制族系错误率。在计算实现上，研究人员采用了并行化和分块计算协方差矩阵等优化策略以提高效率。模拟研究使用了GTEx v8全血数据规模（样本量670）和多种效应强度设置。

4. 研究结果

模拟研究A：评估混杂变量选择和因果网络推断

研究人员在不同效应强度（弱、中、强）和样本量（50, 150, 300, 1000）下进行了模拟。结果显示，MRGN在模型类型、单条边以及T₁-T₂边上的召回率和精确度均优于现有方法。即使在弱效应（模拟GTEx真实数据中的遗传效应）和小样本量下，MRGN也表现出良好的性能。随着样本量和效应强度的增加，推断准确性进一步提升。

模拟研究B：评估不同类型混杂的影响

研究人员设计了四种混杂场景（仅混杂因子、混杂因子加一个中间变量、混杂因子加一个共同结果、三者皆有）。结果表明，MRGN在所有场景下都能保持较高的推断准确性，对不同类型混杂具有较强的鲁棒性。特别是，即使存在中间变量或共同结果这些可能干扰推断的变量，MRGN也能有效处理。

实际数据分析：GTEx全血数据应用

研究人员将MRGN应用于GTEx v8全血数据，分析遗传变异如何通过顺式（cis）和反式（trans）机制调控基因表达。MRGN成功推断出了大量的三元组因果模型，提供了统计学证据支持潜在的因果关系，例如识别出遗传变异通过介导模型（M1）调控下游靶基因的案例。

5. 总结与结论

研究人员提出的MRGN方法是一种有效的、基于PMR的因果推断工具，专门用于在高维混杂变量存在的情况下推断基因组三元组的因果结构。它通过优先进行条件独立性检验和处理大量混杂变量，克服了现有方法的局限性。模拟研究和GTEx数据应用均证实了其优越的性能。研究结论指出，MRGN为潜在的因果关系提供了统计证据，但要更确定地建立因果关系，可能需要额外的实验验证或扰动研究。该方法为利用大规模组学数据进行因果网络推断提供了一个强大且实用的分析框架。