CIT-Lasso: 一种超越“有罪关联”的可扩展方法，用于从全基因组汇总统计中识别因果变异

《Genome Biology》：CIT-Lasso: a scalable approach beyond guilty by association for identifying causal variants from genome-wide summary statistics

　　

研究人员提出CIT-Lasso，一个仅使用汇总统计（summary statistics）在全基因组范围内识别携带表型非冗余信息的变异集合的框架，能够区分可能的因果变异（causal variants）与仅存在关联的相关变异。该开源实现在单个中央处理器（CPU）上可在15分钟内完成全基因组分析。在模拟研究中，它在错误发现率（False Discovery Rate, FDR）控制、统计功效和精细定位（fine-mapping）分辨率方面优于现有方法。应用于阿尔茨海默病（Alzheimer's disease, AD）的荟萃分析时，它识别出82个位点，其中37个超越了传统全基因组关联研究（GWAS）；先前的大规模平行报告基因检测（Massively Parallel Reporter Assay, MPRA）和CRISPR-Cas9研究验证了优先变异的可靠性。对其他67项大规模GWAS的结果揭示了该方法在超越常规GWAS流程的发现方面具有普遍适用性。

CIT-Lasso论文解读：从全基因组汇总统计到因果变异的精准鉴定

**研究背景与现存问题**

全基因组关联研究（Genome-Wide Association Study, GWAS）是识别与复杂性状相关遗传变异的主要方法，但传统GWAS依赖边际关联检验（marginal association test）并采用家系错误率（Family-Wise Error Rate, FWER）控制（如显著性阈值p ≤ 5×10^-8），其鉴定出的变异多数仅为因果变异（causal variant）的代理标记（proxy variant），而非真正的致病位点。这一局限性严重阻碍了遗传发现向生物学机制和药物靶点的转化。当前领域面临两大核心挑战：第一，复杂性状的高度多基因性（polygenicity）要求纳入大量效应微弱的位点才能充分解释遗传力，但传统GWAS的严格阈值使其遗漏众多弱关联信号；第二，边际检验无法区分因果变异与因连锁不平衡（Linkage Disequilibrium, LD）而出现的关联信号，导致后续精细定位（fine-mapping）方法（如贝叶斯后验包含概率）虽能缩小候选集，却无法在全基因组范围内控制错误发现率（False Discovery Rate, FDR），且不能识别同一位点内的多个独立因果效应。近年来，基于条件独立性检验（Conditional Independence Test, CIT）的knockoffs方法（如GhostKnockoffs）提供了新的思路，但其依赖边际Z分数作为特征重要性，统计功效有限，且计算效率在面对大规模GWAS时仍显不足。

**研究内容、结论与意义**

为解决上述问题，研究人员开发了CIT-Lasso框架，该框架仅需GWAS汇总统计（summary statistics）即可在全基因组水平鉴定携带非冗余信息的变异集合，从而区分可能的因果变异与仅因LD相关的代理变异。其核心创新在于将模型-X knockoffs（model-X knockoffs）与超高通量稀疏回归（ultrahigh-dimensional sparse regression）相结合，实现了从条件独立性假设到因果推断的转化。模拟研究表明，CIT-Lasso在FDR控制、统计功效和精细定位分辨率方面均优于现有方法（包括GhostKnockoffs、边际关联检验及SuSiE精细定位）。将该方法应用于2017年以来十项阿尔茨海默病（Alzheimer's disease, AD）遗传研究的荟萃分析（有效样本量约506,200），共鉴定出82个位点（FDR=0.1），其中37个位点被传统GWAS遗漏；随后利用大规模平行报告基因检测（Massively Parallel Reporter Assay, MPRA）和CRISPR-Cas9功能实验数据，验证了CIT-Lasso优先变异的可靠性，并发现这些变异的染色质开放性在富集于小胶质细胞的单细胞ATAC测序（scATAC-seq）峰中高度富集。进一步对67项大规模GWAS（样本量>100,000，欧洲血统）的回顾性分析显示，CIT-Lasso平均比传统边际检验多鉴定22.7%的位点，同时每个位点的代理变异数量减少78.7%，证明了其广泛的普适性。该论文发表在《Genome Biology》。

**主要技术方法**

研究人员采用了以下关键技术：（1）**组knockoffs生成**：通过层次聚类（相关系数阈值0.5）将紧密连锁的变异分组，然后基于参考面板LD矩阵（来自Pan-UK Biobank）生成多个knockoff Z分数副本，采用最大熵优化求解块对角矩阵，并利用高效采样算法（计算复杂度从O(M³p³)降至O(p³)）加速计算。（2）**超高维稀疏回归**：构建包含原始变异与knockoff变异的弹性网络目标函数（Lasso + 0.01岭罚），通过批筛选迭代LASSO（BASIL）算法仅基于汇总统计拟合模型，并采用近似公式（λ ≈ 0.6 × E[||N(0,I)||_∞] × 1/√n)自动选择调整参数。（3）**knockoff得分计算**：定义统计量κ_j（最大特征重要性的索引）和τ_j（最大与中位数的差值），构建W_j = τ_j·I(κ_j=0)，并采用变体级组knockoffs滤波器（Modified variant-level group knockoffs filter）在FDR控制下选择变异。（4）**荟萃分析策略**：对于重叠样本的多项研究，通过最小化加权Z分数协方差来估计最优研究权重，计算有效样本量后生成统一的荟萃分析Z分数作为输入。

**研究结果**

**Overview of the method: causal inference of genetic variants to attenuate LD confounding**：研究人员将因果效应定义为与功能性实验（如MPRA或CRISPR）概念等价的条件因果效应（Conditional Causal Effect, CCE），通过条件独立性假设（G_j ? Y | G_-j）在标准可识别条件下与原假设等价。输出为全基因组互斥的“捕捉集”（catching set），代表对表型具有条件独立效应的变异组。

**Numerical experiments and simulations**：基于UK Biobank真实基因型数据（15,000个体，500个约200 kb的独立LD区块，50个含一个因果变异，再随机加入100个因果变异）进行500次模拟。Variant discovery方面：CIT-Lasso（基于Lasso特征重要性）和CIT-SuSiE（基于SuSiE模型）在统计功效上显著优于CIT-Marginal（GhostKnockoffs），且所有CIT方法在目标FDR（0.1）下均有效控制类型I错误，而边际检验经Benjamin-Hochberg校正后FDR失控。Fine-mapping metrics方面：CIT-Lasso和CIT-SuSiE的捕捉集大小更小（平均更少变异）、纯度（最小平方相关）更高，且覆盖率与精细定位功效与SuSiE可信集相当，但避免了后者为达特定覆盖率而扩大集合导致的纯度下降。

**Application to Alzheimer's disease genetics**：应用CIT-Lasso对十项AD研究（包括Huang 2017、Jansen 2019、Kunkle 2019、Schwartzentruber 2020、Bellenguez 2022等，均为欧洲血统）的荟萃分析，鉴定出82个位点（FDR=0.1），其中37个距传统GWAS位点（p ≤ 5×10^-8）超过1 Mb。与传统边际检验相比，CIT-Lasso在各项单独研究及荟萃分析中均发现更多位点，且每个位点的代理变异数量大幅减少（荟萃分析中平均2.6 vs. 18.8）。研究人员还展示了三个精细定位示例（CR1、BIN1、CASS4位点），其中因果变异rs6701713等均被CIT-Lasso正确识别。

**Concordance with MPRA + CRISPR experiments**：利用Cooper等（2023）的MPRA筛选和CRISPR功能验证数据，九个人工验证的因果变异中三个被直接分型，CIT-Lasso全部正确识别（CR1、BIN1、CASS4）。对于未被直接分型的因果变异（如CLU位点的rs1532277），CIT-Lasso通过识别紧密连锁的邻近变异（rs1532278，D′ = 1，相距134 bp）来间接捕获。

**Variants with weaker effect sizes solely identified by CIT-Lasso are replicated and functionally enriched**：CIT-Lasso额外鉴定的弱效应变异在更大样本的荟萃分析中边际p值显著降低（39%~60%达到全基因组显著性），并且这些变异在小胶质细胞的scATAC-seq峰中富集超过10倍，同时具有更高的cS2G功能连接评分（用于将变异映射到潜在调控基因），且其Z分数在十项研究中方向一致（94%变异在>80%研究中方向与荟萃分析一致）。

**Generalizability of the method: application to large-scale GWAS summary statistics**：对67项大规模GWAS（样本量>100,000，至少10个常规GWAS位点）的应用显示，CIT-Lasso在大多数研究中鉴定出更多位点（平均增加22.7%，143.6 vs. 117.1），尤其在高多基因性表型中优势更大（如BMI：610 vs. 376；身高：714 vs. 639）。每基因座代理变异数量平均下降78.7%（1.83 vs. 8.61）。

**总结讨论与结论**

讨论部分指出，CIT-Lasso的理论优势源于三个方面：采用FDR控制替代严格的FWER阈值，利用超高维稀疏回归联合建模所有变异以提高推断效率，以及通过模型-X knockoffs实现严格的FDR控制，从而克服了传统边际检验和现有fine-mapping方法的局限。该方法不仅能够发现更多位点，还能自动捕捉同一基因座内的多个条件独立效应，并通过cS2G映射到不同基因（如BIN1位点对应PROC、BIN1、ERCC3三个基因），验证了遗传信号通过多个因果变异调控不同基因的机制。局限性在于：当前分析仅纳入直接分型变异，忽视插补变异可导致因果变异缺失，因为插补变异违反因果推断的正性条件（positivity），且低频变异（MAF < 1%）因参考面板LD不匹配可能导致FDR膨胀。研究人员建议随着全基因组测序数据的普及，该方法将发挥更大作用。结论翻译：CIT-Lasso通过计算高效的开源软件实现了对生物学因果变异的准确且强大的检测。该方法为在后GWAS分析中深入理解复杂遗传结构建立了新框架。