跳转至

Inferring a directed acyclic graph of phenotypes from GWAS summary statistics

作者: Rachel Zilinskas, Chunlin Li, Xiaotong Shen, Wei Pan, Tianzhong Yang
主题: 因果推断
相关性: 7/10
链接: https://doi.org/10.1093/biomtc/ujad039


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是基于GWAS汇总统计量的因果网络推断。其根本科学问题是:在无法获得个体水平基因型-表型数据(受隐私、伦理和物流限制)的情况下,如何利用公开可得的GWAS汇总统计量(SNP-表型关联的效应量、标准误、z分数等)来推断多个表型之间的有向因果网络(DAG)。该方向的统计核心是:将遗传变异作为工具变量(IV),在满足特定假设的前提下,从观察性关联数据中识别因果方向。当前该方向的成熟度处于快速发展期——已有若干方法提出,但大多需要个体数据或对IV的可用性有较强要求,且缺乏基于汇总统计量的推断(inference)工具,这正是本文试图填补的口子。

发展脉络(history)

  • 奠基工作:Chen et al. (2018) 开发了惩罚两阶段最小二乘(penalized 2SLS)方法估计DAG,但假设干预靶点已知——这是其关键局限,因为实际生物学应用中干预靶点(即哪个基因影响哪个表型)通常是未知的。引用句定位:"Chen et al. (2018) developed a penalized two-stage least squares method to estimate a DAG, assuming known intervention targets."
  • 主要进展:Li et al. (2023) 将Chen等人的工作扩展至干预靶点未知的情形,提出了interventional Gaussian DAG框架(即本文的模型基础),并发展了 peeling algorithm 来学习超DAG(super-DAG)。引用句定位:"Li et al. (2023) further extended the work to accommodate unknown intervention targets commonly encountered in biological applications." 这是本文的直接前作。
  • 当前frontier:上述方法均要求个体水平数据。与此同时,GWAS汇总统计量已成为公共资源(如Folkersen et al. 2017的蛋白质GWAS、Bellenguez et al. 2022的AD GWAS),但缺乏将其直接用于DAG推断的方法。本文的位置是:将Li et al. (2023)的框架从个体数据适配到汇总统计量,并额外提供基于似然比的推断工具。
  • 本文的位置:作者明确说"We propose adapting the network estimation and inference methods of Li et al. (2023) to rely only on GWAS summary statistics and a genetic reference panel"。这是"适配+扩展"型贡献——方法框架是现成的,但数据输入形式的变化带来了新的技术挑战(如何从汇总统计量重建所需的协方差矩阵)。

子线索聚类

被引文献大致落在三条子线索上:

  1. 基于个体数据的因果DAG推断(Chen et al. 2018; Li et al. 2023):利用IV和线性结构方程模型,通过惩罚回归和peeling算法学习DAG。这是本文的直接技术源头。
  2. GWAS汇总统计量的利用与校正(Mak et al. 2017; Deng and Pan 2018; Privé et al. 2022; Chen et al. 2021):这一簇关注如何从汇总统计量中估计遗传相关性、如何选择参考面板、如何校正汇总统计量中的异质性和误差。本文的协方差矩阵重建步骤(§2.1.2)正是这一线索的延续。
  3. 孟德尔随机化(MR)与工具变量方法(Hemani et al. 2018; Swerdlow et al. 2016):利用遗传变异作为IV检验单个暴露-结局因果效应。本文在应用部分用MR(TwoSampleMR包)将估计的蛋白网络与AD关联起来,属于这一线索的应用延伸。

这个方向在追问的核心问题

  1. 因果方向的可识别性:仅凭观察数据(或汇总统计量),在什么条件下能唯一确定DAG的方向?IV的可用性和有效性(相关性、排他性、独立性)是关键。
  2. 汇总统计量下的信息损失:从个体数据压缩到汇总统计量后,哪些信息被保留、哪些丢失?能否无损地重建DAG估计所需的量?
  3. 大规模网络的可扩展性:当表型数量P和SNP数量Q都很大时,如何高效地估计和推断?惩罚参数如何选择?
  4. 推断的不确定性量化:估计出DAG后,如何对每条边的存在性和方向进行统计检验?——这是本文的独特贡献点。

已知瓶颈:① 汇总统计量通常只报告边际关联(marginal association),而DAG估计需要联合分布信息,需要借助参考面板和近似;② IV的有效性假设(特别是排他性)在真实生物学中很难完全满足,多效性(pleiotropy)是普遍威胁;③ 现有方法缺乏对估计结果的不确定性量化。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口frame成:"现有DAG估计方法需要个体水平数据,而GWAS汇总统计量丰富但未被充分利用"。因此本文的贡献是"首个仅需汇总统计量和参考面板即可估计DAG并进行推断的方法"。作者淡化的竞争路线包括:① 基于贝叶斯网络的DAG学习方法(如PC算法、GES),这些方法通常不利用IV信息,且主要处理无向或部分有向图;② 基于LD score regression等方法的遗传相关性网络(无向),作者未讨论这类方法为何不适用于有向因果推断。值得研究者去查的问题:作者声称"one of the initial attempts to utilize GWAS summary statistics in the construction of a DAG",但这一声称是否成立?是否有其他团队(如Zhu et al. 2020的Mendelian randomization-based network)已做过类似工作?作者未引用这些工作,可能是遗漏或刻意回避。

张力

未见明显对立引用。被引文献之间没有在相同条件下得出相反结论的情况。但存在一个隐含张力:Chen et al. (2018)和Li et al. (2023)的方法假设线性结构方程模型,而真实生物学关系可能高度非线性;本文继承了这一线性假设,但未讨论其合理性。另一个张力是:MR方法(Hemani et al. 2018)通常假设IV只影响一个暴露(即排他性),而DAG框架允许一个SNP影响多个表型(即W矩阵可以有多个非零元素),这两种假设在生物学上哪个更合理?作者未正面讨论。


二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

符号清单(逐个点名):

记号 含义 类型
\(N\) 样本量(个体数) 指标
\(P\) 表型数量 指标
\(Q\) 基因型(SNP)数量 指标
\(Y\) \(N \times P\) 表型数据矩阵 可观测(个体数据)或汇总(汇总统计量)
\(X\) \(N \times Q\) 基因型数据矩阵 可观测(个体数据)或参考面板
\(U\) \(P \times P\) 表型间因果效应矩阵,\(u_{kj} \neq 0\) 表示表型\(k \to\)表型\(j\) 参数(目标估计量)
\(W\) \(Q \times P\) 基因型对表型的直接效应矩阵,\(w_{qp} \neq 0\) 表示SNP \(q\) 直接干预表型\(p\) 参数(目标估计量)
\(V\) \(Q \times P\) 基因型对表型的总效应矩阵,\(V = W(I-U)^{-1}\) 导出参数(约简形式)
\(\epsilon\) \(N \times P\) 误差矩阵,每行独立同分布 \(\mathcal{N}\{0, \text{Diag}(\omega_1^2, \ldots, \omega_P^2)\}\) 随机误差
\(\beta_{qp}\) SNP \(q\) 对表型 \(p\) 的边际关联效应量(GWAS汇总统计量) 可观测(汇总统计量)
\(SE(\hat{\beta}_{qp})\) 上述效应量的标准误 可观测(汇总统计量)
\(z_{qp}\) z分数 \(= \hat{\beta}_{qp}/SE(\hat{\beta}_{qp})\) 可观测(汇总统计量)
\(R\) \(Q \times Q\) 基因型相关矩阵(LD矩阵) 从参考面板估计
\(N_r\) 参考面板样本量 指标
\(s_q^2\) SNP \(q\) 的方差 \(\approx 2 \times MAF \times (1-MAF)\) 从汇总统计量或参考面板估计
\(\tau_p, \kappa_p\) 截断Lasso的阈值和稀疏度参数 调参参数

模型(数据生成机制):

\[Y = YU + XW + \epsilon\]

即每个表型 \(p\) 可以写成:

\[y_p = \sum_{k \in E(p)} y_k u_{kp} + \sum_{q \in I(p)} x_q w_{qp} + \epsilon_p\]

其中 \(E(p)\) 是表型 \(p\) 的父节点集合(有向边指向 \(p\) 的表型),\(I(p)\) 是直接干预表型 \(p\) 的SNP集合。

可观测数据(关键区分):

  • 研究者实际能观测到:GWAS汇总统计量 \(\{\hat{\beta}_{qp}, SE(\hat{\beta}_{qp}), z_{qp}\}\)(每个SNP-表型对),以及一个独立的参考面板基因型矩阵 \(X_r\)(\(N_r \times Q\))。
  • 研究者观测不到:个体水平的 \(X\) 和 \(Y\) 联合数据;表型间的因果结构 \(U\);SNP对表型的直接效应 \(W\)。这些是想要但观测不到的量,只能通过假设和间接估计来识别。

核心识别策略:从汇总统计量重建以下量: 1. \(\frac{1}{N}X^\top X\):用参考面板估计 \(\frac{1}{N_r}R\)(正则化后)。 2. \(\frac{1}{N}X^\top y_p\):用 \(\hat{\beta}_{qp}\) 和 \(s_q^2\) 重建,即 \(\widehat{\frac{1}{N}X^\top y_p} = (s_1^2\hat{\beta}_{1p}, \ldots, s_Q^2\hat{\beta}_{Qp})^\top\)。 3. \(\frac{1}{N}y_p^\top y_p\):用中位数估计 \(\widehat{\frac{1}{N}y_p^\top y_p} = \text{med}_q\{N \times s_q^2 \times SE(\hat{\beta}_{qp})^2 + s_q^2 \times \hat{\beta}_{qp}^2\}\)。 4. \(\frac{1}{N}y_k^\top y_i\):用零SNP的z分数相关性估计,即 \(\widehat{\frac{1}{N}y_k^\top y_i} = \frac{1}{N}\text{Corr}(z_k, z_i)\sqrt{\widehat{y_k^\top y_k} \cdot \widehat{y_i^\top y_i}}\)。

第二步:最小内核

最小内核:假设只有 \(P=2\) 个表型 \(y_1, y_2\),\(Q=1\) 个SNP \(x\)。模型为:

\[y_1 = u_{21} y_2 + w_{11} x + \epsilon_1\]
\[y_2 = w_{12} x + \epsilon_2\]

(假设 \(u_{12} = 0\),即 \(y_2\) 不影响 \(y_1\),但 \(y_1\) 可能影响 \(y_2\)——注意方向待定。)

约简形式:

\[y_1 = v_{11} x + \xi_1, \quad y_2 = v_{12} x + \xi_2\]

其中 \(V = W(I-U)^{-1}\)。在这个2变量例子中:

\[(I-U)^{-1} = \begin{pmatrix} 1 & u_{21} \\ 0 & 1 \end{pmatrix}^{-1} = \begin{pmatrix} 1 & -u_{21} \\ 0 & 1 \end{pmatrix}\]

所以 \(V = W(I-U)^{-1}\) 给出:

\[v_{11} = w_{11}, \quad v_{12} = w_{12} + u_{21} w_{11}\]

核心识别逻辑:从GWAS汇总统计量,我们可以估计 \(v_{11}\) 和 \(v_{12}\)(SNP对每个表型的总效应)。但 \(W\) 和 \(U\) 无法从单个SNP识别——需要多个SNP。假设有 \(Q=2\) 个SNP \(x_1, x_2\),且 \(x_2\) 只影响 \(y_2\)(即 \(w_{21} = 0\),\(x_2\) 不直接作用于 \(y_1\))。那么:

  • 从 \(x_2\) 对 \(y_1\) 的总效应:\(v_{21} = w_{21} + u_{21} w_{22} = u_{21} w_{22}\)(因为 \(w_{21}=0\))
  • 从 \(x_2\) 对 \(y_2\) 的总效应:\(v_{22} = w_{22}\)

因此 \(u_{21} = v_{21}/v_{22}\)——因果效应可识别!

peeling算法的直觉:如果SNP \(q\) 只影响表型 \(p\)(即 \(w_{qp} \neq 0\) 且 \(w_{qk} = 0\) 对所有 \(k \neq p\)),那么 \(v_{qk} \neq 0\) 当且仅当表型 \(p\) 是表型 \(k\) 的祖先。因此,稀疏模式 \(V\) 的支撑集包含了DAG的祖先关系信息。Peeling算法从叶子节点开始(那些只被"专属"SNP影响的表型),逐步剥离,最终恢复整个DAG。

这个最小内核揭示了本文的核心数学贡献:将个体数据中的DAG学习问题转化为从汇总统计量重建协方差矩阵 + 基于稀疏模式的拓扑排序问题。难点在于:(1) 汇总统计量只提供边际关联,重建联合分布需要近似;(2) 当SNP影响多个表型时(多效性),稀疏模式不再干净,peeling可能出错。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:如何仅利用GWAS汇总统计量(而非个体水平数据)来估计多个表型之间的有向无环图(DAG),并对估计的边进行统计推断。
  2. 核心工具/方法:将interventional Gaussian DAG框架(Li et al. 2023)适配到汇总统计量场景,通过重建基因型-表型协方差矩阵、截断Lasso惩罚回归估计约简形式参数 \(V\)、peeling算法学习超DAG、以及基于似然比的检验对边进行推断。
  3. 主要结论:模拟研究表明方法在DAG估计的假阳性/假阴性率上表现良好,检验的I型错误率受控、功效随样本量增加而提高;应用于29个心血管相关蛋白的GWAS数据,估计出有向蛋白网络,并通过MR分析将IL18与多个AD相关蛋白联系起来。

关键设定与假设

完整设定(在最小内核基础上补充):

  • 模型:\(Y = YU + XW + \epsilon\),\(\epsilon\) 的每行独立同分布 \(\mathcal{N}\{0, \text{Diag}(\omega_1^2, \ldots, \omega_P^2)\}\)。这是一个线性结构方程模型,隐含假设表型间关系是线性的、无未观测混杂(因为误差项对角)。
  • 数据:GWAS汇总统计量 \(\{\hat{\beta}_{qp}, SE(\hat{\beta}_{qp})\}\),来自对每个表型 \(p\) 的边际回归 \(y_p \sim x_q\);参考面板 \(X_r\)(\(N_r \times Q\))。
  • 关键假设:
  • IV有效性:每个SNP至少对一个表型有直接效应(相关性);SNP不影响任何未观测混杂(独立性);SNP对表型的影响仅通过直接效应或通过DAG中的路径(排他性)。
  • 稀疏性:\(W\) 和 \(U\) 是稀疏的,即每个表型只受少数SNP和其他表型影响。
  • DAG性:\(U\) 对应的图是无环的。
  • 参考面板代表性:参考面板与GWAS样本来自同一人群,基因型相关结构一致。
  • 无样本重叠(或可忽略):GWAS样本与参考面板不重叠,避免相关性偏差。

相比已有文献的放宽/强化: - 放宽:相比Chen et al. (2018),不再假设干预靶点已知;相比Li et al. (2023),不再需要个体水平数据。 - 强化:继承了Li et al. (2023)的线性、高斯、无未观测混杂假设;新增了对汇总统计量质量的假设(如效应量估计的一致性、参考面板的充分性)。

主要结果

理论结果(本文无新定理,主要依赖Li et al. 2023的理论保证):

  • 作者未给出新的渐近理论,而是沿用Li et al. (2023)的框架,将估计问题转化为汇总统计量版本。关键的"理论"贡献在于证明从汇总统计量重建的协方差矩阵估计量的一致性(§2.1.2中的估计步骤),但文中未给出正式定理。
  • 检验统计量 \(T = 2L(\hat{U}^{(1)}, \hat{W}^{(1)}, \hat{\omega}^2) - 2L(\hat{U}^{(0)}, \hat{W}^{(0)}, \hat{\omega}^2)\) 被声称近似服从 \(\chi^2_{|D|}\) 分布(当 \(|D| < 50\))或正态分布(当 \(|D| \geq 50\)),这是基于Li et al. (2023)的似然比检验理论。

模拟结果(§4):

  • 设定:\(P=15\) 个表型,\(Q=26\) 个SNP,样本量 \(N \in \{3000, 6000, 9000, 12000\}\),参考面板 \(N_r = 3000\)。效应量 \(U\) 的真实值在 \(\{-0.5, 0.5\}\) 附近,\(W\) 的效应量在 \(\{-2.2, 2.5\}\) 范围。
  • 网络估计:假阳性率(FP)约0.05,假阴性率(FN)随样本量增加而下降。使用 \(Y^\top Y\) 的真实值(而非估计值)时性能更好,说明协方差矩阵估计是性能瓶颈。
  • 检验:I型错误率受控(接近名义水平),功效随样本量增加而提高。联合检验两个边(A3)的功效高于单独检验(A2),因为联合检验利用了更多信息。
  • 关键对比:使用估计的 \(Y^\top Y\)(来自15000个零SNP)比使用真实 \(Y^\top Y\) 的性能略差,但仍在可接受范围。

真实数据应用(§3):

  • 数据:Folkersen et al. (2017) 的83个心血管相关蛋白GWAS汇总统计量(\(N=3394\)),筛选后23个蛋白进入网络分析。
  • 流程:选择33个SNP作为IV(每个蛋白至少一个),估计DAG,然后用MR分析将蛋白与AD关联。
  • 结果:估计出23个蛋白的有向网络(图2),其中IL18是多个AD相关蛋白(ADM, IL1RL1, CTSD, CXCL6, CXCL16)的父节点。MR分析显示IL18与AD有边际关联(p=0.06-0.07),提示IL18可能通过调控多个蛋白影响AD风险。
  • 想说明什么:方法能从公开汇总统计量中提取有生物学意义的有向网络,且能与下游MR分析衔接,展示其实用价值。

证明路线与技术技巧

整体路线(3-5步逻辑主干):

  1. 重建协方差矩阵:从GWAS汇总统计量估计 \(\frac{1}{N}X^\top X\)(用参考面板)、\(\frac{1}{N}X^\top y_p\)(用效应量和MAF)、\(\frac{1}{N}y_p^\top y_p\)(用SE和效应量)、\(\frac{1}{N}y_k^\top y_i\)(用零SNP的z分数相关性)。这一步将个体数据压缩为汇总统计量后,再"解压缩"回所需的矩估计。
  2. 估计约简形式参数 \(V\):对每个表型 \(p\),用截断Lasso(TLP)回归 \(y_p\) 在所有SNP上,得到 \(\hat{v}_p\)。TLP的关键性质是不惩罚超过阈值 \(\tau_p\) 的大系数,从而避免过度收缩。
  3. Peeling算法学习超DAG:基于 \(\hat{V}\) 的稀疏模式,从叶子节点开始逐步剥离。核心逻辑:如果SNP \(q\) 只影响表型 \(p\),那么 \(\hat{v}_{qk} \neq 0\) 当且仅当 \(p\) 是 \(k\) 的祖先。
  4. 估计结构参数 \(U\) 和 \(W\):在超DAG约束下,对每个表型 \(p\) 用TLP回归 \(y_p\) 在父节点表型和SNP上,得到 \(\hat{u}_p\) 和 \(\hat{w}_p\)。
  5. 似然比检验:对感兴趣的边(或路径),在约束估计和无约束估计之间计算似然比统计量 \(T\),用 \(\chi^2\) 或正态近似计算p值。

关键跳跃点:

  • 从汇总统计量到协方差矩阵的一致性:作者用中位数估计 \(\frac{1}{N}y_p^\top y_p\),用零SNP的z分数相关性估计 \(\frac{1}{N}y_k^\top y_i\)。这些估计的一致性条件是什么?文中未给出正式证明,这是一个潜在的薄弱点。特别是,零SNP的选择标准(p>0.05)可能引入选择偏差。
  • Peeling算法的正确性条件:算法依赖于"每个叶子节点至少有一个专属SNP"的假设。当某些表型没有专属SNP时(即所有影响它的SNP也影响其他表型),算法可能失败。作者在模拟中设置了每个表型至少一个IV,但真实数据中这一假设的合理性未讨论。
  • 似然比检验的渐近分布:检验统计量 \(T\) 的 \(\chi^2\) 近似依赖于估计量的渐近正态性和协方差矩阵估计的一致性。当 \(|D|\) 较大或协方差矩阵估计不准时,近似可能失效。作者在模拟中验证了I型错误率,但未给出理论保证。

技术技巧点名:

  • 截断Lasso(TLP):来自Shen et al. (2012),用于在稀疏性约束下获得无偏的大系数估计。相比Lasso,TLP不收缩大系数,这对后续的peeling和检验很重要。
  • Peeling算法:来自Li et al. (2023),是一种贪心的拓扑排序方法,利用IV的稀疏模式恢复DAG。
  • 伪BIC(pseudo-BIC):来自Pattee and Pan (2020),用于在汇总统计量下选择调参参数,避免需要个体数据。
  • 零SNP相关性估计:利用与表型无关的SNP(零SNP)的z分数相关性来估计表型间相关性,这是GWAS汇总统计量分析中的常用技巧(类似LD score regression的思路)。

🔎 结论是否比证明窄

  • 明确声称但未证明:作者在摘要和引言中声称方法"only requires access to summary statistics from a GWAS and a reference panel",但协方差矩阵估计的一致性条件未给出正式定理。特别是,\(\frac{1}{N}y_k^\top y_i\) 的估计依赖于零SNP的z分数相关性,这一估计的偏差和方差未分析。
  • 模拟范围有限:模拟中 \(P=15\) 较小,且每个表型都有专属SNP。当 \(P\) 增大或SNP多效性增强时,peeling算法的表现未验证。
  • 检验的渐近性质:似然比检验的 \(\chi^2\) 近似被声称"approximately"成立,但未给出正式条件(如 \(|D|\) 的增长速度、协方差矩阵估计的一致性要求)。
  • 真实数据验证不足:真实数据中23个蛋白的网络估计没有ground truth可对照,只能通过生物学合理性间接验证。作者也承认"the choice of a proper reference panel is just as important",但未系统评估参考面板选择的影响。

四、开放问题

  1. 协方差矩阵估计的正式理论:从汇总统计量重建 \(\frac{1}{N}Y^\top Y\) 的估计量(特别是用零SNP的z分数相关性)的一致性和收敛速率是什么?在什么条件下(零SNP数量、参考面板大小、LD结构)估计误差可控?——扎根于§2.1.2的估计步骤,作者未给出正式定理。

  2. Peeling算法的可识别性条件:当某些表型没有专属SNP(即所有IV都影响多个表型)时,DAG是否仍可识别?需要什么额外条件?作者在模拟中回避了这一情况,真实数据中也可能出现。——扎根于§2.2.2的peeling算法描述,以及模拟中"每个表型至少一个IV"的设定。

  3. 检验的有限样本性质:似然比检验统计量 \(T\) 在 \(|D|\) 较大或协方差矩阵估计不准时的有限样本行为如何?bootstrap或其他重抽样方法是否能改进?——扎根于§2.3的检验步骤和模拟中"well-controlled Type I error"的观察。

  4. 非线性与未观测混杂的扩展:本文假设线性高斯无未观测混杂。如果表型间关系非线性,或存在未观测混杂(如共享遗传因素),方法是否仍然有效?如何扩展?——扎根于§1引言中对线性结构方程模型的设定,以及§5讨论中未提及的局限性。

  5. 多效性SNP的处理:当SNP直接影响多个表型(多效性)时,\(W\) 矩阵不再稀疏,peeling算法的前提被破坏。是否有更鲁棒的估计策略?——扎根于§2.2.2中"\(v_{qp} \neq 0\) implies genotype \(q\) intervenes on phenotype \(p\) or an ancestor"的推断逻辑。

提示:要确认上述哪条是真正的gap,建议去读以下近期文献的intro:(a) Mendelian randomization-based network estimation(如Zhu et al. 2020, Nature Communications);(b) 基于汇总统计量的因果结构学习(如Zhang et al. 2022, Bioinformatics);(c) 多效性鲁棒的IV方法(如Morrison et al. 2020, Nature Genetics)。如果这些文献的intro都指向同一问题,说明是共识性gap;如果互相矛盾,则可能是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论