[论文解读] Controlled Variable Selection from Summary Statistics Only? A Solution via GhostKnockoffs and Penalized Regression

Zhaomeng Chen, Zihuai He+5 more|arXiv (Cornell University)|Feb 20, 2024

Genetic Associations and Epidemiology参考文献 29被引用 4

一句话总结

该论文提出了一种新颖的方法，仅使用汇总统计量（特别是预测变量与响应变量之间的边际相关性）进行受控变量选择，通过扩展GhostKnockoffs并结合惩罚回归实现。该方法实现了错误发现率（FDR）控制，并在模拟实验和阿尔茨海默病全基因组关联研究（GWAS）数据的元分析中显著提升了统计功效。

ABSTRACT

Identifying which variables do influence a response while controlling false positives pervades statistics and data science. In this paper, we consider a scenario in which we only have access to summary statistics, such as the values of marginal empirical correlations between each dependent variable of potential interest and the response. This situation may arise due to privacy concerns, e.g., to avoid the release of sensitive genetic information. We extend GhostKnockoffs (He et al. [2022]) and introduce variable selection methods based on penalized regression achieving false discovery rate (FDR) control. We report empirical results in extensive simulation studies, demonstrating enhanced performance over previous work. We also apply our methods to genome-wide association studies of Alzheimer's disease, and evidence a significant improvement in power.

研究动机与目标

• 开发一种仅基于汇总统计量的受控变量选择方法，避免因隐私限制而需要个体水平数据。
• 通过引入惩罚回归的特征重要性，扩展GhostKnockoffs框架，提升相较于基于边际相关性的方法的统计功效。
• 在最小分布假设下确保严格的错误发现率（FDR）控制，特别是当完整协变量协方差矩阵不可用时。
• 在大规模遗传学研究（如GWAS）中，仅使用公开的汇总统计量实现有效的变量选择。
• 通过大量模拟实验和真实世界应用（阿尔茨海默病GWAS元分析）展示该方法的实用性。

提出的方法

• 该方法在仅掌握汇总统计量（包括$\mathbf{X}^T\mathbf{Y}$、$\|\mathbf{Y}\|_2^2$和样本量$n$）的前提下，利用惩罚回归（如Lasso或伪Lasso）构建 knockoff 统计量，无需$\mathbf{X}^T\mathbf{X}$。
• 提出一种伪Lasso估计器，仅使用汇总统计量近似Lasso解，从而在数据访问受限时实现特征重要性计算。
• 当$\mathbf{X}^T\mathbf{X}$缺失时，该方法提出新的插补技术，以一致地重建经验协方差矩阵。
• 利用高斯分布的旋转不变性和线性性质，仅从汇总统计量生成有效的 knockoff 统计量。
• 将 knockoff 框架与惩罚回归相结合，生成比仅使用边际相关性的方法更具统计功效的检验统计量。
• 在假设协变量服从高斯分布的前提下，该方法保证了FDR控制，即使仅使用汇总统计量也成立。

Figure 1: Power and FDR plots for independent features and a Gaussian linear model with varying dimensions. Each point is an average over 200 replications.

实验结果

研究问题

• RQ1 我们能否仅使用汇总统计量（如边际相关性和响应范数）实现FDR受控的变量选择？
• RQ2 在仅使用汇总统计量的场景下，结合基于惩罚回归的特征重要性是否能提升统计功效，相比仅基于边际相关性的方法？
• RQ3 当$\mathbf{X}^T\mathbf{X}$不可用时，能否可靠地插补经验协方差矩阵，同时保持FDR控制？
• RQ4 在真实世界的GWAS应用中，该方法的表现如何，特别是在检测具有微弱边际效应的变异方面？
• RQ5 该方法能否识别出传统边际关联检验在使用严格FWER校正时所遗漏的生物相关基因座？

主要发现

• 在模拟实验中，所提出的方法（GK-pseudolasso）在10% FDR水平下识别出42个基因座，而基于边际相关性的方法（GK-marginal）仅识别出10个，显示出显著的统计功效提升。
• 在20% FDR水平下，GK-pseudolasso检测到63个基因座，而GK-marginal仅检测到17个，进一步证实了其更强的发现能力。
• 在阿尔茨海默病GWAS元分析中，所识别基因组区域中54.0%的顶级变异具有功能证据（如eQTL、增强子区域），显著高于28.6%的背景水平。
• 该方法检测到了边际p值较小（如>5×10⁻⁸）但具有生物意义的功能变异，这些变异被传统全基因组显著性阈值法所遗漏，表明其对微弱但生物相关的信号具有敏感性。
• 在合成与半合成模拟中，所提出的$\mathbf{X}^T\mathbf{X}$插补方法在性能上持续优于基线方法，同时保持了FDR控制。
• 该方法在假设协变量服从高斯分布的前提下实现了FDR控制，并利用旋转不变性，仅从汇总统计量生成有效的knockoff统计量。

Figure 2: Power and FDR plots for AR(1) features and a Gaussian linear model with varying dimensions. Each point is an average over 200 replications.