[论文解读] A Sparse Graph-Structured Lasso Mixed Model for Genetic Association with Confounding Correction

Wenting Ye, Xiang Liu+2 more|arXiv (Cornell University)|Nov 11, 2017

Genetic Mapping and Diversity in Plants and Animals参考文献 36被引用 5

一句话总结

该论文提出了一种稀疏图结构Lasso混合模型（sGLMM），这是一种新颖的方法，在线性混合模型框架下通过图结构惩罚项联合校正群体结构并利用表型相关性。通过整合表型相关性信息与混杂因素校正，sGLMM在高维全基因组关联研究（GWAS）数据中提升了真实遗传关联的检测能力，在模拟数据和真实数据（包括阿尔茨海默病SNP发现）中均优于现有方法。

ABSTRACT

While linear mixed model (LMM) has shown a competitive performance in correcting spurious associations raised by population stratification, family structures, and cryptic relatedness, more challenges are still to be addressed regarding the complex structure of genotypic and phenotypic data. For example, geneticists have discovered that some clusters of phenotypes are more co-expressed than others. Hence, a joint analysis that can utilize such relatedness information in a heterogeneous data set is crucial for genetic modeling. We proposed the sparse graph-structured linear mixed model (sGLMM) that can incorporate the relatedness information from traits in a dataset with confounding correction. Our method is capable of uncovering the genetic associations of a large number of phenotypes together while considering the relatedness of these phenotypes. Through extensive simulation experiments, we show that the proposed model outperforms other existing approaches and can model correlation from both population structure and shared signals. Further, we validate the effectiveness of sGLMM in the real-world genomic dataset on two different species from plants and humans. In Arabidopsis thaliana data, sGLMM behaves better than all other baseline models for 63.4% traits. We also discuss the potential causal genetic variation of Human Alzheimer's disease discovered by our model and justify some of the most important genetic loci.

研究动机与目标

• 为解决由群体结构、隐性相关性和非独立同分布（i.i.d.）数据引起的GWAS中虚假关联问题。
• 将已知的表型相关性（如共表达簇）整合到遗传关联分析中，以提高检验效能和准确性。
• 开发一种可扩展、计算高效的混合方法，结合线性混合模型（LMM）与图结构正则化，用于多变量表型分析。
• 克服标准Lasso和GFlasso方法的局限性，后者忽略混杂因素或无法建模复杂的表型依赖关系。
• 在合成数据和真实世界数据集（包括阿尔茨海默病GWAS）上验证该方法。

提出的方法

• 该方法通过引入图结构Lasso惩罚项扩展了线性混合模型，该惩罚项在相关表型间促进稀疏性和平滑性。
• 将遗传效应向量建模为稀疏的、受图约束的信号，其中图编码了表型相似性或共表达的先验知识。
• 优化过程采用两阶段算法：首先使用限制性最大似然（REML）方法估计随机效应的协方差；其次应用图正则化Lasso以检测SNP效应。
• 图结构通过拉普拉斯矩阵编码，惩罚项促进图中连接紧密的表型具有相似效应。
• 该方法支持CSV和PLINK输入格式，并可通过交叉验证或用户指定参数实现自动超参数选择。
• 该算法以Python实现，已在GitHub上公开发布。

实验结果

研究问题

• RQ1 是否能够通过联合建模混杂因素校正与表型依赖性，提升GWAS中遗传关联检测的性能？
• RQ2 图结构惩罚的整合相较于标准Lasso或GFlasso，如何增强对多效性遗传效应的检测能力？
• RQ3 在现实的群体结构和表型相关性情景下，该方法是否能保持高统计效能并维持低假阳性发现率？
• RQ4 在真实世界数据中，sGLMM是否能优于现有的基于LMM和图引导的方法，识别出已知的疾病相关SNP？
• RQ5 该方法对表型依赖图的选择是否敏感？当图不完美时，其性能是否仍具鲁棒性？

主要发现

• 在模拟实验中，sGLMM在存在混杂因素的情况下检测真实SNP-表型关联的真正命中率（true positive rate）达到0.96，显著优于其他模型（最高为0.78）。
• 该方法有效校正了群体结构，在减少假阳性结果的同时保持了对真实遗传效应的高敏感性。
• 在真实数据中，sGLMM识别出10个与阿尔茨海默病相关的顶级SNP，包括C4orf50基因中的rs9999966、MACROD2基因中的rs16994889和rs16994542，以及TENM1基因中的rs16994557和rs16994560，这些结果在生物学上合理且得到先前文献支持。
• sGLMM发现的SNP得到了生物学验证：例如，MACROD2与自闭症和阿尔茨海默病相关，且AD大脑中CD70表达水平升高。
• sGLMM在检测多效性效应方面表现更优，尤其在共表达强度高的表型簇中，传统方法未能捕捉到其潜在结构。
• 该方法保持了计算效率，其复杂度主要由GFlasso优化决定，可扩展至包含数千个SNP和表型的大规模数据集。