单变量引导的稀疏回归在生物样本库规模高维组学数据中的应用(Univariate-Guided Sparse Regression for Biobank-scale High-dimensional Omics Data)

《PLOS Genetics》:Univariate-guided sparse regression for Biobank-scale high-dimensional omics data

【字体: 大 中 小 】 时间:2026年09月24日 来源:PLOS Genetics 3.9

编辑推荐:

  本研究提出了一种可扩展的计算框架,利用近期引入的单变量引导稀疏回归(Univariate-Guided Sparse Regression,uniLasso)在高维基因组学背景下计算多基因风险评分(polygenic risk scores,PRS)。UniL

  
本研究提出了一种可扩展的计算框架,利用近期引入的单变量引导稀疏回归(Univariate-Guided Sparse Regression,uniLasso)在高维基因组学背景下计算多基因风险评分(polygenic risk scores,PRS)。UniLasso是一种两阶段惩罚回归方法,借助单变量系数及其量级来稳定特征选择并生成稀疏预测模型。基于其理论与经验优势,研究人员将uniLasso加以改造,应用于英国生物样本库(UK Biobank)——这是一个以人群为基础的数据库,包含来自英国数十万个体、超过一百万个遗传变异的数据。研究人员进一步将该框架扩展,通过uniLasso ES(external scores,外部评分)纳入外部汇总统计信息。这些外部信号通过设定惩罚权重与符号约束,引导回归朝向具有先验关联证据的变异。无论是uniLasso ES还是uniLasso,最终均利用个体水平的目标数据拟合多变量模型;外部统计信息仅起引导作用,而非替代模型拟合。研究结果表明,uniLasso在预测性能上与标准Lasso相当,同时选择的变异数量大幅减少,生成的模型更为稀疏且可能更易解释。此外,该方法与其他PRS估计方法(如PRS-CS和lassosum2)相比仍具竞争力。

论文解读

一、研究背景与问题

随着计算能力和存储容量的飞速发展,现代科学研究日益面临高维数据场景,即预测变量的数量远超观测样本数(p >> n)。这一情况在基因组学领域尤为突出,研究人员可对每个个体记录极为精细的遗传信息。在高维回归框架下,预测与变量选择成为核心任务。然而,组学数据模型矩阵的另一个显著特征是预测变量之间存在强相关性。在基因组学中,连锁不平衡(linkage disequilibrium,LD)使得成块的单核苷酸多态性(single nucleotide polymorphisms,SNPs)携带高度相似的信息;在转录组学中,共表达和共享调控程序也会诱导相关基因簇的形成。任何多变量方法都必须决定如何处理这些相关组:要么选择一组稀疏的代表变量,要么将效应分散到众多相关变量上。
在传统多基因风险评分(PRS)构建流程中,标准做法是两步式:首先进行单变量全基因组关联研究(GWAS)以获得每个SNP的边际效应估计;其次应用基于LD的收缩或选择方法(如clumping and thresholding)将这些边际效应转化为全基因组预测因子。然而,这一流程存在固有缺陷:GWAS将每个SNP孤立处理,LD块内的真实信号通常会抬升整个相关SNP邻域,若不加以强收缩,GWAS beta值的朴素加和会高估可解释方差。第二步虽旨在纠正这种重复计数和抽样噪声,但通常导致密集预测因子和高度平坦化的单SNP效应量。

二、研究内容与意义

研究人员提出了一种分析超高维组学数据的新框架,直接对个体水平数据拟合多变量模型,而非依赖标准的GWAS加PRS两步流程。该框架基于单变量引导稀疏回归(uniLasso),并针对生物样本库规模的SNP数据进行了专门适配。实证结果表明,uniLasso在预测性能上与现有方法相当,但使用的预测因子数量减少约40%,模型更为简洁。此外,研究人员还将uniLasso扩展为uniLasso ES(external scores),以整合外部数据源。在生物医学研究中,隐私法规常限制原始数据共享,研究者有时仅能提供汇总统计信息。uniLasso ES利用外部汇总统计来引导惩罚权重和/或符号约束,而非替代模型拟合,从而在单一稀疏多变量模型中结合外部评分与个体水平数据。这一方法区别于仅在GWAS结果或最终评分层面整合信息的混合方法(如meta-PRS),也区别于纯粹的汇总统计方法。

三、主要技术方法

研究人员使用斯坦福大学Sherlock高性能计算集群,基于Adelie Python包构建uniLasso流水线,计算实例采用Intel Xeon E5-2640 v4 CPU集群,共64核、3TB内存,使用64线程运行。针对连续响应变量,采用闭式表达计算单变量系数和留一法(leave-one-out,LOO)拟合值;针对二元响应变量,采用迭代重加权最小二乘(IRLS)进行两次迭代,并采用近似LOO预测方法。数据来自UK Biobank,分析限于336,442名满足群体分层标准的White British个体,每个个体包含1,080,968个遗传变异。数据按70/10/20比例划分为训练、验证和测试集。采用最小等位基因频率(MAF)低于0.0005的过滤标准,并对低方差列施加稳定化正则化。外部评分来自芬兰FinnGen队列(约500,000名参与者)的单变量SNP回归汇总统计。

四、研究结果

UK Biobank分析:研究人员在UK Biobank数据上评估了Lasso、Elastic Net(EN)和uniLasso在身高、体质指数(BMI)、冠心病(CHD)和哮喘四种表型上的表现。对于连续表型,uniLasso相比Lasso在身高上少选择38%的SNP、在BMI上少43%,而R2仅分别下降0.006和0.016。对于二元表型,uniLasso与Lasso的AUC表现接近,在哮喘上略优,在CHD上略逊,但CHD的模型稀疏度比Lasso高50%以上。Lasso模型存在大量单变量与多变量系数符号翻转,而uniLasso通过构造消除了所有此类符号反转。
外部评分的使用:uniLasso ES在除BMI外的所有表型上取得最高预测性能(BMI仅与Lasso相差0.001)。相比标准uniLasso,纳入外部评分改善了预测性能。虽然模型一般不如标准uniLasso稀疏,但在四种表型中有三种仍比Lasso更稀疏,CHD的稀疏度接近Lasso的50%。
与其他方法的比较:研究人员将uniLasso与PRS-CS和lassosum2两种汇总统计方法进行比较。PRS-CS在BMI和CHD上取得最高点估计,分别领先最佳Lasso方法0.010和0.006,但其系数密集、缺乏稀疏性。lassosum2整体表现不如所有Lasso方法,仅在BMI上略优0.003。在仅使用UK Biobank数据时,个体水平稀疏回归模型取得最强预测性能。

五、讨论与结论

研究人员指出,uniLasso的强制稀疏性使其在超高维场景中实现高效计算,同时保持甚至提升预测精度。对于身高这一典型高度多基因性状,最佳uniLasso模型仅依赖约34,000个非零SNP(从超过一百万个候选中选出),仍达到测试R2约0.37。这表明即使对于高度多基因性状,大部分预测信号也可由远小于密集方法的活跃集捕获。
研究人员承认uniLasso存在局限性:它不适用于K>2类的多分类响应;边际效应与条件效应符号可能因LD而相反,因此uniLasso不适用于精细定位(fine-mapping)因果SNP;当前实现需要存储n×p的LOO拟合值矩阵,在生物样本库规模下内存需求约1500GB,但uniLasso ES通过避免构建完整LOO矩阵缓解了此问题。未来方向包括开发多分类uniLasso、结合LOO拟合值与外部评分的统一版本,以及在外部独立队列中验证模型泛化能力。
研究结论表明,在适当考虑LD和样本量后,保留数百万非零系数几乎没有预测收益。稀疏多变量方法将权重集中于变异子集上,生成复杂度更低的预测模型,有利于下游分析,如基因定位和富集研究,并可能为GPU加速的GWAS流水线提供计算优势。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号