编辑推荐:
复杂疾病构成重大挑战,遗传因素占据了这些疾病风险的很大比例。观测数据因其规模大、成本效益高、涵盖多种不同疾病信息以及未来可扩展性,对这类研究具有重要价值,但观测数据也反映了医疗流程、医疗可及性以及系统性偏见等更广泛的社会因素带来的影响。在此,研究人员引入Max
复杂疾病构成重大挑战,遗传因素占据了这些疾病风险的很大比例。观测数据因其规模大、成本效益高、涵盖多种不同疾病信息以及未来可扩展性,对这类研究具有重要价值,但观测数据也反映了医疗流程、医疗可及性以及系统性偏见等更广泛的社会因素带来的影响。在此,研究人员引入MaxGCP,一种旨在纯化观测数据中遗传信号的表型定义方法。MaxGCP通过优化表型定义以最大化其共遗传性——即两个性状之间遗传协方差经其表型标准差归一化后的值——与目标复杂性状之间的关联。与既往的表型组合方法不同,MaxGCP具有表型特异性、计算复杂度随特征数量线性增长,且无需手动特征选择。在卒中分析中,研究人员发现MaxGCP相较于传统单一编码表型定义,可将研究效能提升超过13%。MaxGCP是观测数据中遗传发现的有力工具,研究人员预期其将在利用观测数据研究复杂疾病方面具有广泛的适用性。
全基因组关联分析(GWAS)旨在识别与疾病风险相关的遗传变异。然而,源自电子健康记录(EHR)的表型定义包含大量环境噪声,降低了统计效能。研究人员开发了MaxGCP,该方法通过将多个观测表型(如诊断编码)组合为单一指数,以最大化与目标疾病共享的遗传信号。MaxGCP仅需汇总水平的遗传协方差估计值和表型协方差矩阵,且具有精确的闭式解,其计算规模随输入表型数量线性增长。在模拟研究以及基于UK Biobank的卒中和阿尔茨海默病真实数据分析中,MaxGCP相较于传统单一编码表型定义,均能持续提升GWAS的敏感性,且在高质量遗传协方差估计值可得时,改善效果最为显著。MaxGCP作为免费Python软件包提供,可广泛应用于提升观测数据中的遗传发现。
复杂疾病的遗传基础尽管历经数十年理论与实验进展以及针对多种复杂疾病的数千项研究,仍未被完全阐明。解析这一因果机制需要完成的工作之一,便是刻画数百万个遗传变异与数千种表型之间的关联。观测数据因其丰富性、代表性、低成本以及已采集完成的特点,为复杂疾病研究提供了实用的信息来源。然而,观测数据也带来了不完整性、噪声和偏倚等额外挑战,这些因素降低了研究效能。通过优先考虑遗传因素而非环境因素,精心设计的表型定义是增强观测数据中遗传信号的途径之一。
复杂表型往往相互关联,这促使研究人员同时分析多种表型以期提高研究效能。但最优地组合相关表型具有挑战性,既往研究主要处理那些已知与目标表型相关的表型组合。此类方法不适用于生物银行数据集的表型组范围分析,因为这些数据集中存在数千种可用表型。此外,这些方法要求预先选择特征,无法整合大量看似无关表型中的微弱遗传信号。而能够应用于数千种表型且无需手动特征选择的方法,将有助于提升表型组范围研究的效能。现有如MTAG(Multi-Trait Analysis of GWAS)等多性状方法虽具有表型特异性,但需要进行所有特征对之间的连锁 disequilibrium(LD)分数回归,导致计算复杂度呈二次增长,限制了其在大型特征集上的可扩展性。
MaxGCP是一种用于GWAS中定义表型的新型统计方法,通过拟合表型的线性组合来最大化共遗传性——即两个性状之间遗传协方差经其表型标准差归一化后的值——与目标表型之间的关联。由于MaxGCP针对特定目标性状优化遗传信号,无关特征会自动获得接近零的权重,从而消除了手动特征预选择的需求。例如,卒中的MaxGCP表型可定义为心脏病、高血压和其他危险因素(如糖尿病)的线性组合,该组合最大化卒中与之一之间的共遗传性。通过利用其他表型的信息增强遗传信号,该方法能够降低环境噪声并提升GWAS效能。
**模拟数据评估**
研究人员首先使用模拟数据评估MaxGCP。在模拟中,效应量可被精确获知,便于评估MaxGCP是否达成其目标。研究人员模拟了5000种真实表型(详见方法部分;补充图S1),并使用MaxGCP为每种表型计算最优指数。结果显示,MaxGCP表型相较于朴素定义表型(即单一诊断编码的存在与否)具有更高的遗传力和共遗传性,表明MaxGCP能够有效优先特定遗传信号。在GWAS应用中,MaxGCP表型相比朴素表型提升了效能。MaxGCP的性能取决于用于拟合模型的输入质量:无噪声的遗传协方差估计可产生接近最优的表现,而噪声较大的估计则导致性能下降。
作为敏感性分析,研究人员在不同模拟参数下重复了分析。结果表明:增加表型遗传力可提升所有方法的GWAS效能;增加表型间遗传相关性对MaxGCP GWAS有显著积极影响,但对朴素GWAS影响甚微;缺失率(随机将病例转换为对照的比例)降低所有方法的表现;遗传协方差估计的方差增加会降低MaxGCP性能,对不依赖遗传协方的朴素表型GWAS则无影响。总体而言,敏感性分析结果与先前一致:MaxGCP在敏感性和F1值上优于朴素表型,但在特异性上并非如此;遗传协方差矩阵中的噪声会 degrade 性能。
**真实数据评估**
研究人员进一步使用UK Biobank的真实表型评估MaxGCP。由于真实遗传结构未知,研究采用外部验证数据进行比较,即排除UK Biobank样本的大型高质量GWAS。研究使用MEGASTROKE(包含"任何卒中""缺血性卒中""心源性栓塞性卒中"和"小血管性卒中"表型)和IGAP(阿尔茨病)两个数据集作为验证,这些研究采用临床医师裁定的表型,比朴素观测定义(如医疗记录中的单一诊断编码)更为可靠。MaxGCP的特征采用队列中最常见的50个ICD-10编码,通过Plink 2进行GWAS分析,并使用SumHer估计遗传协方差。
在固定阈值比较中(90%特异性下的敏感性,以及10%敏感性下的特异性),MaxGCP表现良好,全队列版本在阿尔茨海默病和四种卒中类型中的三种上表现最优。在单一p值阈值(p<0.05)下,MaxGCP对所有五种表型均以提高特异性为代价改善了敏感性。MaxGCP优先纳入相关特征,包括卒中已知危险因素如心脏病,以及阿尔茨海默病的2型糖尿病等。卒中表型的顶级特征为脑梗死本身(ICD-10编码I63)、急性缺血性心脏病(I24)和肺心病(I27);阿尔茨海默病的顶级MaxGCP特征为阿尔茨海默病(G30)、肺心病(I27)和1型糖尿病(E10,后两者为负系数)。
MaxGCP系数由遗传协方差和表型协方差共同驱动。遗传协方差估计与MaxGCP系数之间存在强但非完美的相关性(Pearson相关系数0.54-0.94),表明MaxGCP正确纳入了表型协方差信息,在最大化遗传协方差的同时最小化表型方差。曼哈顿图分析证实,MaxGCP GWAS识别的目标峰在朴素GWAS中不存在但出现在目标GWAS中,且MaxGCP结果与目标结果的相似度高于与任何单一顶级特征的相似度,证明MaxGCP正确识别了表型特异性信息。
**与MTAG的比较**
研究人员将MaxGCP与MTAG进行真实数据比较。由于MTAG需要所有特征对之间的LD分数回归,其计算量随特征数量二次增长,研究无法使用大量特征(如≥50个)运行MTAG;且因IGAP阿尔茨海默病GWAS汇总统计不包含等位基因频率,该比较排除了阿尔茨海默病。在限制10个特征的比较中,MaxGCP表现与MTAG相似或略优。具体而言,在p<0.05时,MTAG在"所有卒中"表型上略优于MaxGCP-10(MTAG在95%特异性下敏感性为0.089,MaxGCP为0.085);但在p<0.005时,MaxGCP-10表现更优(MTAG:0.137,MaxGCP:0.144)。总体而言,MaxGCP是表现最佳的方法,尤其在不受特征数量限制时。MTAG在所有卒中表型上表现良好,但在心源性栓塞性卒中上表现不佳。MaxGCP的主要优势在于显著更优的计算复杂度和对等位基因频率信息无依赖,使其能够使用远多于MTAG的特征,从而提升性能并减少计算时间。
**技术方法**
研究使用的主要关键技术方法包括:基于共遗传性最大化的线性表型组合优化数学框架;模拟数据生成与验证,使用PhenotypeSimulator基于UK Biobank真实基因型模拟5000个病例对照不平衡的表型;UK Biobank真实队列分析,样本来源为英国白人参与者,经过严格质量控制,使用50个最常见ICD-10编码作为特征,通过Plink 2进行GWAS,SumHer进行遗传协方差估计;外部验证策略,将结果与排除UK Biobank样本的MEGASTROKE和IGAP大型GWAS进行比较;以及与MTAG方法在相同10个特征限制下的性能对比。
**研究结果**
**模拟数据评估**:通过模拟5000个真实表型,研究人员发现MaxGCP表型相较于朴素定义表型具有更高的遗传力和共遗传性,在GWAS中提升了效能。性能依赖于输入质量,无噪声遗传协方差矩阵产生接近最优表现,噪声矩阵则降低性能。敏感性分析表明,增加遗传力和遗传相关性改善MaxGCP表现,缺失率降低所有方法表现,遗传协方差估计方差增加仅影响MaxGCP。
**真实数据评估**:在UK Biobank中,MaxGCP在固定阈值和单一p值阈值下均改善了敏感性,全队列版本表现最优。MaxGCP优先纳入已知风险因素,系数受遗传和表型协方差共同驱动。曼哈顿图证实MaxGCP正确识别表型特异性信息,而非简单放大单一特征信号。
**与MTAG的比较**:在限制10个特征时,MaxGCP表现与MTAG相似或略优;不受限制时显著优于MTAG。MaxGCP具有线性计算复杂度优势,使其能够使用更多特征并减少计算时间。
**讨论**
MaxGCP通过最大化共遗传性来优化观测数据中的表型定义,仅需表型协方差矩阵和遗传协方差估计向量作为输入,通过线性组合特征表型实现优化。模拟和真实数据分析得出两个主要结论:其一,MaxGCP能够提升GWAS性能,虽然降低特异性,但敏感性提升幅度超过特异性降低幅度,总体表现更优;其二,MaxGCP性能依赖于输入数据质量,在真实数据中约使敏感性翻倍。
表型特异性是区分MaxGCP与既往方法的关键特征。既往方法如MaxH虽也优化遗传信号,但不限制特定遗传信号,无法直接应用于UK Biobank等大型数据集,因为最大可遗传的表型定义可能与目标表型无关。MaxGCP无需预先选择特征即可广泛应用,无关特征因与目标性状遗传协方差低而自动获得近零权重。
MaxGCP的应用需谨慎考虑。输入质量至关重要,仅应使用高质量遗传协方差估计,应排除暗示越界值或标准误较大的估计。在以下情况不适用:遗传协方差估计不可靠(如样本量过小,建议N>50,000;或特征表型罕见导致估计噪声大);目标表型与可用特征表型遗传相关性低;以及确认性分析中特异性优先于敏感性时。
MaxGCP与MTAG相比具有计算优势:MaxGCP仅需特征与目标之间的遗传相关性估计,LD分数回归数量随特征数线性增长;MTAG则需所有特征对之间的两两回归,呈二次增长。这使得MaxGCP能够使用更多特征,提升性能并减少计算时间;对于50个特征,MaxGCP需约4-8小时,MTAG需100-200小时。
真实数据中MaxGCP表现因表型而异,在卒中和缺血性卒中上改善最强,阿尔茨海默病改善较温和。这可能由于卒中有更多遗传相关的可用特征、心血管风险因素的多效性以及UK Biobank中相关编码更 prevalent。值得注意的是,绝对敏感性值对所有方法均较低,反映了跨队列变异复制的固有困难。
MaxGCP依赖的遗传协方差估计可能受间接遗传效应偏倚,如未充分校正祖先效应时,邮政编码等社会经济学代理可能与疾病产生虚假遗传相关。建议采取以下缓解措施:使用LD分数回归截距作为诊断工具;限制遗传同质队列或在GWAS中纳入足够主成分;检查生物学不可信的特征;以及在可能时比较不同祖先亚组的结果。
未来研究方向包括:针对群体分层直接偏倚遗传协方差估计的方法改进;使用共定位分析而非直接变异比较进行更 robust 的方法评估;在更多样化表型中评估MaxGCP;以及将方法扩展至多祖先队列。MaxGCP的优化步骤计算量可忽略(50个特征在标准笔记本上不足一秒),主要成本在于上游遗传协方差估计。尽管当前分析限于二元ICD-10编码特征,该数学框架同样适用于生物标志物等连续表型。扩展至更丰富特征集(如实验室值、药物记录、自然语言处理衍生表型)可能进一步提升性能。