[論文レビュー] Simultaneous inference for generalized linear models with unmeasured confounders

Jin‐Hong Du, Larry Wasserman+1 more|PubMed|Sep 13, 2023

Gene expression and cancer classification被引用数 4

ひとこと要約

本論文は、測定されない交絡要因を伴う多変量一般化線形モデルにおける同時推定のための統一的枠組みを提案する。直交構造と射影バイアス補正を活用し、lasso型最適化により潜在係数を回復し、主効果を推定する。この手法は漸近的に有効な第1種の誤りコントロールと、効果的な誤発見率（FDR）コントロールを保証し、高次元的かつ正規分布でない応答変数の設定下でも、既存の手法を上回るパワーとロバストネスを示す。

ABSTRACT

Tens of thousands of simultaneous hypothesis tests are routinely performed in genomic studies to identify differentially expressed genes. However, due to unmeasured confounders, many standard statistical approaches may be substantially biased. This paper investigates the large-scale hypothesis testing problem for multivariate generalized linear models in the presence of confounding effects. Under arbitrary confounding mechanisms, we propose a unified statistical estimation and inference framework that harnesses orthogonal structures and integrates linear projections into three key stages. It begins by disentangling marginal and uncorrelated confounding effects to recover the latent coefficients. Subsequently, latent factors and primary effects are jointly estimated through lasso-type optimization. Finally, we incorporate projected and weighted bias-correction steps for hypothesis testing. Theoretically, we establish the identification conditions of various effects and non-asymptotic error bounds. We show effective Type-I error control of asymptotic $z$-tests as sample and response sizes approach infinity. Numerical experiments demonstrate that the proposed method controls the false discovery rate by the Benjamini-Hochberg procedure and is more powerful than alternative methods. By comparing single-cell RNA-seq counts from two groups of samples, we demonstrate the suitability of adjusting confounding effects when significant covariates are absent from the model.

研究の動機と目的

• ゲノム研究における多変量一般化線形モデルのスケールの大きな仮説検定において、測定されない交絡要因の課題に対処すること。
• 観測された共変量と潜在要因の因果関係を事前に知らなくても、交絡効果を同定・補正できる統一的統計枠組みの構築。
• 任意の交絡メカニズムと非正規応答分布下でも、特に第1種の誤りコントロールと誤発見率（FDR）コントロールを保証する有効な統計的推論の実現。
• 線形モデルや単一のアウトカム設定にとどまらず、現代のオミクス研究で一般的な高次元的・多変量的・非線形データを扱えるように既存手法を拡張すること。

提案手法

• 直交分解を用いて、片持ち効果と無相関交絡効果を分離し、潜在係数の一貫した推定を可能にする。
• 係数行列と要因負荷量の両方を正則化するlasso型最適化フレームワークを用いて、潜在要因と主効果を同時に推定する。
• 推定バイアスを補正するための射影的かつ重み付きバイアス補正ステップを統合し、有効な漸近的z検定を可能にする。
• 線形射影と非漸近的解析を活用し、任意の交絡メカニズム下での同定条件と誤差バウンドを確立する。
• 推定と検定の独立性を保証するため、推定段階で標本分割を用いるが、それらがなくても手法はロバストである。
• 多変量応答を伴う一般化線形モデルに適用可能で、シングルセルRNA-seqデータに見られるような非正規分布に対応可能である。

実験結果

リサーチクエスチョン

• RQ1 観測された共変量と潜在要因の因果関係を知らない状況下でも、測定されない交絡要因が存在する多変量一般化線形モデルにおいて、有効な同時推定が可能か？
• RQ2 非正規的・スパース的・過分散的応答を持つ高次元的設定下で、主効果と潜在交絡要因を一貫して推定できるか？
• RQ3 提案手法は、任意の交絡メカニズム下でも漸近的第1種の誤りコントロールと効果的な誤発見率（FDR）コントロールを維持するか？
• RQ4 実世界のゲノムデータにおいて、従来手法に比べて統計的パワーとロバストネスの面でどの程度優れているか？

主な発見

• 提案手法はBenjamini-Hochberg手順下で誤発見率（FDR）を効果的にコントロールし、シミュレーション全体で中央値FDP（誤発見率）が0.191〜0.219の範囲に収束した。
• 高い統計的パワーを達成しており、標本分割を行わない場合の中央値パワーは0.987、推定に80％のデータを割り当てた場合でも0.963に達した。
• 第1種の誤りは良好にコントロールされており、すべてのシミュレーション設定で中央値が0.050〜0.051に収束し、z検定の漸近的有効性が裏付けられた。
• 推定係数行列に対する非漸近的誤差バウンドが確立され、$ Vertm{B} - m{B}^* Vert_{ ext{F}} \lesssim 1/√{n \wedge p}$と表現され、高次元的状況下でも一貫した推定が可能であることが示された。
• 標本分割の比率にかかわらず手法の性能が著しく低下せず、推定に20％のデータしか割り当てない場合でも最小限の性能低下にとどまった。
• ループス患者のシングルセルRNA-seqデータにおいて、顕著な共変量が測定されていなくても、交絡効果を適切に補正できた。実世界のゲノム応用における実用的価値を示した。