[論文レビュー] Knockoffs with Side Information

Zhimei Ren, Emmanuel J. Candès|arXiv (Cornell University)|Jan 22, 2020

Statistical Methods in Clinical Trials参考文献 43被引用数 7

ひとこと要約

この論文は、外部知識（関連研究からの事前p値など）を活用して、高次元データにおける変数選択を向上させる、サイド情報を利用した適応的ノックオフ手法を導入する。この手法は、発見力の向上を図りながらも、誤り発見率（FDR）を厳密に制御する。ノックオフフレームワークを拡張し、サイド情報を用いて特徴量を適応的に優先順位付けすることで、遺伝的関連解析において優れた性能を示し、HDLおよびLDLの特性に対してそれぞれ平均12.5および18.3の発見を達成し、既存手法を上回った。

ABSTRACT

We consider the problem of assessing the importance of multiple variables or factors from a dataset when side information is available. In principle, using side information can allow the statistician to pay attention to variables with a greater potential, which in turn, may lead to more discoveries. We introduce an adaptive knockoff filter, which generalizes the knockoff procedure (Barber and Candès, 2015; Candès et al., 2018) in that it uses both the data at hand and side information to adaptively order the variables under study and focus on those that are most promising. Adaptive knockoffs controls the finite-sample false discovery rate (FDR) and we demonstrate its power by comparing it with other structured multiple testing methods. We also apply our methodology to real genetic data in order to find associations between genetic variants and various phenotypes such as Crohn's disease and lipid levels. Here, adaptive knockoffs makes more discoveries than reported in previous studies on the same datasets.

研究の動機と目的

• 外部知識を統合することで多重仮説検定における統計的パワーを向上させつつ、FDRの制御を損なわない手法を開発すること。
• ノックオフフィルターフレームワークを拡張し、関連研究からのp値などの外部証拠に基づいて変数に適応的な重み付けを可能にすること。
• 関連集団からのサイド情報を利用して生物学的に有望な変異に焦点を当てることで、全ゲノム関連解析（GWAS）における発見数を増やすこと。
• p値が不正確であるか、モデル仮定が破綻している場合でも、有限標本におけるFDR制御を維持すること。

提案手法

• 被説明変数とサイド情報の同時分布を尊重するように、データに依存する共分散構造を用いてノックオフ変数を構築する。
• 事前研究からの外部p値に基づいて特徴量をランク付けし、その順位をサイド情報として選択プロセスをガイドする。
• 局所的FDRの推定にベイズ二群モデルを用い、特徴量統計量の適応的しきい値設定を可能にする。
• 特徴量の重要度は、元の変数とノックオフ変数のラasso係数の差分で測定される：$ W_j = |\hat{\beta}_j| - |\hat{\tilde{\beta}}_j| $。
• 1つのデータセットあたり50回のノックオフ実現を生成することで安定性を確保し、FDRを$ q = 0.1 $に制御した平均発見数を報告する。
• 初期化段階でしきい値ルールを用いることで、重要度が低い特徴量を特定し、効率性を向上させ、ノイズを低減する。

実験結果

リサーチクエスチョン

• RQ1 事前研究からのサイド情報は、誤り発見率を上昇させることなく、多重仮説検定における統計的パワーを向上させることができるか？
• RQ2 ノックオフ手順は、関連集団からのp値などの外部知識を統合するためにどのように一般化可能か？
• RQ3 サイド情報に基づく特徴量の適応的重み付けは、標準的ノックオフやマージナルテストと比較して、GWASにおける発見数を増加させるか？
• RQ4 p値が完全にキャリブレーションされていなくても、有限標本におけるFDR制御を維持できるか？

主な発見

• NFBCデータセットにおいて、適応的ノックオフはHDLに対して平均12.5個、LDLに対して18.3個のSNPを発見し、HMMノックオフ（8および9.8発見）およびSabattiら（5および6発見）を著しく上回った。
• FDRの目標水準0.1で厳密に制御されている一方で、既存のノックオフベースおよびマージナルテスト手法よりも高いパワーを達成した。
• 特に他の集団からのp値というサイド情報の使用により、クローン病および脂質特性において以前に検出されなかった関連性が同定された。
• 使用されたp値が正確でない場合でも、FDR制御が保持され、モデルの誤指定に対してもロバストであることが確認された。
• 50回のノックオフ実現において安定性が確認され、一貫した発見率と低い結果のばらつきを示した。