基于改进LASSO筛选与稀疏贝叶斯学习的全基因组关联研究(GWAS)高效多阶段方法——ILSBL

《Mathematics》：Cognitive ZTNA: A Neuro-Symbolic AI Approach for Adaptive and Explainable Zero Trust Access Control Ahmed Alzahrani

　　

： 本研究提出一种名为ILSBL(Improved LASSO Screening and Sparse Bayesian Learning，改进LASSO筛选与稀疏贝叶斯学习)的创新多阶段方法，用于全基因组关联研究(GWAS, Genome-Wide Association Study)，可同时实现效应值估计与统计检验。传统GWAS方法在处理大规模SNP标记时面临计算负担重及多基因(polygenic)背景与残差噪声未充分校正导致检验效能降低的问题。ILSBL方法借鉴FASTmrEMMA思想，首先通过谱分解(spectral decomposition)对包含多基因背景的方差—协方差矩阵进行"白化(whitening)"变换，将原始混合线性模型转化为残差同方差的变换后模型，从而避免逐标记重新估计方差分量比λg=σ2g/σ2e，仅需一次REML(Restricted Maximum Likelihood，约束最大似然)估计。随后采用BigLASSO对变换后基因型矩阵进行高维降维筛选候选SNP，再经稀疏贝叶斯学习(SBL, Sparse Bayesian Learning)阶段精细估计非零效应并给出标记水平p值。研究人员在模拟数据集与真实小麦(triticum aestivum)籽粒性状GWAS数据集上验证ILSBL，结果表明该方法在控制I型错误率方面与EMMAX及GEMMA相当，而在检出力(power)、运算速度及内存消耗上均优于传统方法，尤其适用于超高维全基因组扫描。

论文解读：ILSBL——基于改进LASSO筛选与稀疏贝叶斯学习的全基因组关联研究高效多阶段方法

一、研究背景与开展缘由

全基因组关联研究(GWAS, Genome-Wide Association Study)旨在鉴定与复杂性状关联的遗传变异（通常为SNP）。标准方法多采用基于混合线性模型(MLM, Mixed Linear Model)：y = Wα + Zγ + u + ε，其中u～N(0, σ²_gK)为多基因随机效应（K为亲缘/基因组关系矩阵），ε～N(0, σ²_eI)为残差。方差分量比λ_g= σ²_g/σ²_e及λ_γ= σ²_γ/σ^{2_e（若存在固定大效应标记）需估计。现有高效算法如EMMAX、GEMMA、FastLMM通过谱分解减少计算，但在全基因组逐标记扫描时仍需反复处理或近似λ_g，且对百万级SNP直接拟合计算昂贵。此外，传统单标记检验忽略多位点联合信息，LASSO类惩罚回归可降维但缺乏严谨的多基因背景校正及标记水平显著性推断。因此研究人员开展本研究，设计ILSBL(Improved LASSO Screening and Sparse Bayesian Learning)三阶段流程：噪声白化→BigLASSO预筛→SBL精细估计与检验，发表于《Mathematics》。}

二、关键技术方法概述

研究人员采用FASTmrEMMA启发的谱白化变换：假设λ_γ≈0（多数标记无主效），以估计的λ?_g构造B = λ?_gK + I_n，对B作特征值分解B = QΛQ^T= (QΛ^1/2Q^T)²，取C = QΛ^-1/2Q^T左乘原模型得变换后模型 y_C= C y, Z_C= C Z，其残差满足Var(y_C) = σ²_eI_n，实现多基因与残差噪声白化。λ_g由REML一步估计且扫描中不更新。随后用R包biglasso（坐标下降+主动集）求解LASSO：argmin_γ‖y_C? Z_Cγ‖²+ λ‖γ‖₁，按β=‖γ?‖₀选出Top-k候选集（k依BIC或预设比例）。最终对候选集做稀疏贝叶斯学习(SBL)：引入独立Gaussian-Gamma超先验p(γ_j, α_j) ∝ N(0, α_j^-1)·Gamma(a, b)，通过证据最大化(type-II ML)迭代更新超参数，自动稀疏化非因果标记(α_j→∞?γ_j→0)，保留非零效应给出后验均值及方差，据此计算t型统计量及标记p值。模拟数据按HapMap LD结构生成，真实数据采用Wheat CAP 九个位点关联已验证性状。

三、研究结果（按原文小节）

2.2.1. Polygenic and Residual Noise-Whitening Stage（多基因与残差噪声白化阶段）

研究人员设定λ_γ=0简化模型，以REML估算λ?_g，定义B = λ?_gK + I_n并作特征分解B = QΛQ^T，构造白化矩阵C = QΛ^-1/2Q^T。将原模型左右同乘C得到变换后模型 y_C= C y = C W α + C Z γ + C ε ～ N(C W α + C Z γ, σ²_eI_n)。结论：此变换保留了固定效应与候选标记结构，消除了多基因背景相关性，使后续回归可用普通最小二乘框架，避免逐标记重复解混合模型，显著降低计算量。

2.2.2. BigLASSO Screening（BigLASSO筛选阶段）

研究人员对白化后数据拟合LASSO目标函数 min_γ‖y_C? Z_Cγ‖²₂+ λ‖γ‖₁，利用biglasso包的路径算法在λ序列上求解，记录各λ下非零系数位置。按BIC最小或保留前k%（如5%）非零标记组成候选集S。结论：在高维全基因组数据中，绝大多数非因果SNP系数为零，LASSO可有效剔除大量噪音标记，将待精细分析标记数降至千级甚至百级，为SBL阶段提供计算可行子集。

2.2.3. Sparse Bayesian Learning for Effect Estimation and Statistical Testing（稀疏贝叶斯学习效应估计与统计检验阶段）

研究人员对候选集S内的标记建立贝叶斯线性回归模型，为每个γ_j配独立精度超参数α_j～Gamma(a,b)，通过II型最大似然（Evidence Maximization / Type-II ML）交替更新后验分布q(γ, α)与边际似然。收敛后，α_j很大的维度对应γ_j≈0（被稀疏掉），其余给出后验均值E[γ_j|y]及Var(γ_j|y)。基于后验方差计算Wald-type统计量 t_j= E[γ_j|y]/√Var(γ_j|y) 及双侧p值。结论：SBL自动完成变量选择与非零效应收缩估计，较单一LASSO给出更稳定的效应量及符合频率主义性质的标记水平p值，可用于FWER/Bonferroni或FDR校正。

四、讨论与结论总结（翻译浓缩）

研究人员指出，ILSBL综合了混合模型多基因校正、LASSO高维筛选及贝叶斯稀疏学习优势。与EMMAX、GEMMA及标准LASSO-GWAS相比，ILSBL在控制假阳性(I型错误)的同时提高了检出力(power)，且因只需一次谱分解与REML，运行时间与内存明显低于需逐标记解MLM的方法。白化变换保证了统计推断的有效性，SBL阶段提供了生物学可解释的效应估计。模拟与实际小麦籽粒相关性状GWAS验证了其稳健性。局限性在于依赖K矩阵的准确构建及λ?_g的初始REML估计质量，但可通过基因组关系矩阵(GRM, Genomic Relationship Matrix)或已有种群参数缓解。总体而言，ILSBL为大规模复杂性状GWAS提供了一种计算高效、统计严谨的多阶段分析框架，适合百万级以上SNP数据的关联挖掘，论文发表于《Mathematics》2026年第14卷。