《PLOS Computational Biology》:Comparing subsampling strategies for efficient pairwise analysis of large pathogen genomic and spatial datasets: An application to Mycobacterium tuberculosis transmission
编辑推荐:
基因组与空间数据的成对分析(pairwise analysis)为识别和估计协变量与病原体人际传播之间的关联提供了机会。然而,这类成对分析计算强度极高,即使在中等规模的数据集中,由于二元组(dyad)数量庞大,分析也可能难以实施。本研究比较了两种提高大数据集成
基因组与空间数据的成对分析(pairwise analysis)为识别和估计协变量与病原体人际传播之间的关联提供了机会。然而,这类成对分析计算强度极高,即使在中等规模的数据集中,由于二元组(dyad)数量庞大,分析也可能难以实施。本研究比较了两种提高大数据集成对分析效率的策略:研究人员量化并比较了分治贝叶斯模型拟合(divide-and-conquer Bayesian model fitting)与成对病例对照(pairwise case-control)方法在估计个体水平及配对水平协变量与传播簇(transmission cluster)共享成员关系之间关联时的表现。研究使用了一座城市收集的空间定位并已完成基因组测序的4,154株结核分枝杆菌(Mycobacterium tuberculosis)分离株组成的大型数据集,并在三种具有代表性的结核病基因组聚类情景下开展了模拟研究。在所有模拟研究中,病例对照方法均产生可忽略的偏倚(bias)及符合预期的95%可信区间(credible interval)覆盖率,其表现与分治方法相当,且在效应量较大时偏倚估计的分布更为集中、离群值更少。据此,研究人员建议在无法对完整数据集进行分析时,采用每例病例匹配五个对照(five controls per case)的病例对照方法对数据集进行降采样,以开展成对分析。该方法在保持预期推断性质的同时,缓解了需要大量计算资源的成对贝叶斯建模所面临的计算挑战。
**一、研究背景与问题**
结核病(Tuberculosis, TB)由结核分枝杆菌(Mycobacterium tuberculosis, Mtb)引起,是一种经呼吸道在人际间传播的细菌性疾病。全基因组测序(Whole Genome Sequencing, WGS)可基于分离株的遗传相关性识别潜在的人际传播事件。随着高分辨率基因组与空间数据可及性的提高,将空间数据与基因组相关性相结合以研究社区中Mtb传播的研究日益增多。基于网络的回归模型可对空间参考的成对遗传相似性度量进行建模,从而在考虑网络依赖性和空间相关性等多种相关来源的同时,识别与Mtb传播相关的因素。然而,随着研究个体数量的增加,唯一配对数呈指数级增长,导致计算需求极为严峻。对于n个个体的数据集,不考虑传播方向时存在n(n-1)/2个二元观测,这在贝叶斯建模框架下尤其构成计算瓶颈。因此,需要有效的子采样策略以在有限计算资源下实现大规模数据集的成对分析。目前,针对成对数据的计算策略比较研究仍较为缺乏,特别是系统评估病例对照(case-control)与分治(divide-andconquer)两类策略在成对贝叶斯模型中的表现差异。本研究旨在填补这一空白,为大规模病原体基因组与空间数据的成对分析提供实用的计算方案。
**二、研究内容与主要结论**
研究人员利用中国台湾高雄市2019至2023年间收集的4,154例培养确诊结核病患者的人口学、基因组簇及居住地地理定位数据,构建了三种具有不同成对聚类比例(0.008、0.002和0.0009)的基准数据集(各含700个分离株),以代表结核病基因组流行病学文献中观察到的不同聚类情景。通过在这些基准数据集上运行成对分析,获得参考参数估计值。随后,研究人员基于这些参数生成模拟数据集,系统比较了病例对照策略(每例病例匹配1、3、5、10个对照)和分治策略(将数据分为3、5、10个子集,分别分析后使用Meta分析、样本平均、Consensus Monte Carlo、半参数密度乘积估计等方法合并后验结果)在偏倚、95%可信区间覆盖率及计算时间方面的表现。研究结果表明,病例对照方法在所有模拟情景中均表现出可忽略的偏倚和预期的95%可信区间覆盖率,且表现优于或等同于分治方法。分治方法在子集数增加时出现精度下降,尤其对效应量较大的协变量(如空间距离)偏倚更明显、覆盖率降低。病例对照方法在空间协变量估计方面表现更稳健。基于上述结果,研究人员推荐在实际数据分析中采用每例病例匹配五个对照的病例对照策略。将该策略应用于全部4,154个个体的完整数据集后,发现较小的年龄差(年龄差每增加两岁,OR = 0.93,95% CrI: 0.92-0.94)、较小的合并年龄(合并年龄每增加两岁,OR = 0.87,95% CrI: 0.86-0.88)以及较近的地理距离(空间距离每增加5公里,OR = 0.61,95% CrI: 0.57-0.65)均与同一基因组簇成员关系的几率增加独立相关。该研究为大规模成对数据分析提供了切实可行的计算路径,对结核病及其他传染病传播的基因组流行病学研究具有重要意义。
**三、关键技术与方法**
本研究主要采用了以下关键技术方法:(1)成对贝叶斯层次逻辑回归模型,通过GenePair R包实现,该模型同时纳入网络依赖性和空间相关性,以评估个体水平和配对水平协变量与传播簇共享成员关系的关联;(2)病例对照子采样策略,保留所有病例对(结果为1的配对),并按比例随机抽取对照对(结果为0的配对),Mcontrol分别取1、3、5和10;(3)分治策略,将完整数据集随机划分为若干非重叠子集,分别在各子集上运行成对分析,并使用Meta分析、样本平均、Consensus Monte Carlo(含独立协方差MCindep和全协方差MCcov两种变体)以及半参数密度乘积估计(含DPE1和DPE2两种带宽设定)六种方法合并子集后验结果;(4)基于基准数据集参数估计的模拟数据生成框架,对每种聚类比例模拟100个数据集,以评估各方法的偏倚、覆盖率和计算效率。
**四、主要研究结果**
**4.1 基准数据分析结果**:分析显示,较小的年龄差、较年轻的合并年龄以及较短的空间距离与属于同一基因组簇独立相关。这些参数估计被用作比较不同计算方法性能的参考值。
**4.2 病例对照策略模拟结果**:在三种聚类比例下,病例对照策略均表现良好,具有低偏倚和预期的95%可信区间覆盖率。当每例病例仅匹配一个对照时,性能相对较差;增加对照数量可缩窄三个协变量的95%可信区间,表明精度提高。
**4.3 分治策略模拟结果**:在分治策略中,使用三个子集的各方法表现最佳,Meta方法始终是表现最好的方法之一。随着子集数从3增加到10,95%可信区间变宽,精度下降。空间距离协变量始终表现出较大的偏倚和较低的覆盖率;通过交换年龄差和空间距离的效应量后,较差的表现转向年龄差变量,表明此问题与效应量大小有关而非协变量的空间属性。
**4.4 两种策略最优方法比较**:将病例对照策略(每例病例五个对照)与分治策略(三个子集,Meta合并)进行比较,两种方法的平均偏倚均接近零,但分治方法的偏倚分布范围更广、离群值更多。病例对照方法在空间距离因子的覆盖率上优于分治方法,且产生更窄的可信区间,表明更高的精度。
**4.5 计算时间比较**:对于完整数据集分析,聚类比例为0.008时运行时间最长(4,907.6分钟)。两种子采样策略均显著缩短了计算时间。病例对照策略中运行时间最长的是每个病例匹配10个对照在0.008聚类比例数据集上,但仍实现了超过五倍的计算时间减少;分治策略的并行运行时间更短,其计算时间主要取决于子集大小,而病例对照策略的计算时间主要由病例对数量决定。
**4.6 全数据集应用结果**:将病例对照方法(5个对照/病例)应用于完整数据集(n = 4,154),发现年龄差每增加两岁与同簇几率降低7%相关(OR = 0.93),合并年龄每增加两岁与几率降低13%相关(OR = 0.87),空间距离每增加5公里与几率降低39%相关(OR = 0.61)。分治方法的结果模式相似,但空间距离估计存在较大差异,这与模拟研究结论一致。
**五、讨论与结论**
研究人员认为,分治方法性能较差的一个可能解释是:将数据集划分为子集会有效移除跨越不同子集的配对,由于聚类对极为稀疏,这些信息量丰富的阳性对的丢失可能不成比例地削弱传播信号,导致效应估计向零值衰减。相比之下,病例对照方法保留所有聚类对,仅对非聚类对进行子采样,从而保留了暴露-结局关系的主要信息信号。研究也存在一定的局限性:参考参数本身可能含有偏倚;模拟仅涵盖三种聚类比例,未囊括所有流行病学情景;未明确评估替代传播网络结构、协变量效应量变化或不同样本量;分治策略仅考虑了随机划分方式。未来研究应在更多样的流行病学环境中评估这些方法的稳健性和普适性,并探索能够平衡配对保留、计算效率和偏倚减少的替代分析方法。总之,本研究确定了在全数据集分析不可行情况下的计算上可行的替代方案,能够保持主要回归参数推断的准确性,为大规模病原体基因组与空间数据的成对分析提供了实用的方法学建议。