Covariate adaptive familywise error rate control for genome-wide association studies¶

作者: Huijuan Zhou, Xianyang Zhang, Jun Chen
来源: Biometrika
主题: 数理统计 / 假设检验
相关性: 3/10
机构绿灯: Texas A&M University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biomet/asaa098

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向解决的根本问题是：在全基因组关联研究（GWAS）这类超高维多重检验问题中，如何利用外部协变量（如功能基因组注释）来提升检验功效，同时严格控制家族错误率（FWER）。当前成熟度：FWER控制方法（如Bonferroni）是经典且成熟的，但不利用协变量；FDR的自适应方法已有大量协变量自适应工作，但FWER的自适应方法几乎空白。本文填补的就是这个缺口。

发展脉络（history）¶

从intro引用的工作串成一条线：

奠基工作：Holm (1979) 和 Bonferroni 校正奠定了FWER控制的基础框架。这些方法不利用任何外部信息，对所有假设一视同仁。
主要进展（FDR方向）：Benjamini & Hochberg (1995) 提出了FDR控制，随后大量工作将协变量引入FDR框架。例如，Genovese et al. (2006) 提出了加权p值方法，Hu et al. (2010) 提出了独立假设下的协变量自适应FDR控制，Ignatiadis et al. (2016) 提出了基于独立假设的独立假设加权（IHW）方法。这些工作表明，利用协变量可以显著提升FDR控制下的检验功效。
当前frontier（FWER方向）：FWER的自适应方法发展缓慢。Roeder & Wasserman (2009) 提出了基于协变量的加权Bonferroni方法，但其权重需要预先指定，且未提供数据驱动的权重选择方法。Dobriban et al. (2015) 提出了基于协变量的FWER控制方法，但依赖于协变量与检验统计量的独立性假设。本文的位置：作者提出了一种数据驱动的协变量自适应FWER控制方法，不要求协变量与检验统计量独立，并给出了渐近有效性和收敛速率。

子线索聚类¶

这些被引文献大致落在两条子线索上：

FDR的协变量自适应方法：这是主流。代表工作：Genovese et al. (2006), Hu et al. (2010), Ignatiadis et al. (2016), Lei & Fithian (2018)（提出了AdaPT框架，一个通用的协变量自适应FDR控制框架）。这一簇的核心是：将协变量信息融入p值加权或阈值选择过程，以提升FDR控制下的功效。
FWER的协变量自适应方法：这是少数派。代表工作：Roeder & Wasserman (2009), Dobriban et al. (2015)。这一簇的核心是：如何将协变量信息融入FWER控制框架（如加权Bonferroni），同时保证FWER的严格控制。本文属于这一簇。

这个方向在追问的核心问题（2-4个）¶

如何数据驱动地选择权重？ 加权Bonferroni方法需要权重，但权重如何从数据中学习？直接学习权重会导致过拟合和FWER膨胀。
如何保证渐近有效性？ 数据驱动的权重选择过程会引入额外随机性，如何证明最终过程的FWER在渐近意义下仍被控制？
收敛速率是多少？ 数据驱动过程与最优（oracle）过程之间的差距以多快的速度收敛到0？
协变量与检验统计量的依赖关系如何处理？ 许多现有方法（如Dobriban et al., 2015）假设协变量与检验统计量独立，这在GWAS中往往不成立（例如，基因注释与SNP的效应大小相关）。

⚠️ 作者的 framing（必须明确标注成"这是作者的说法"）¶

作者把缺口 frame 成什么：作者在intro中明确说："Previous efforts to accommodate covariates in multiple testing focused on false discovery rate control, while covariate-adaptive procedures controlling the familywise error rate remain underdeveloped." 作者将本文定位为填补FWER协变量自适应方法的空白，并强调其方法不要求协变量与检验统计量独立，这是对Dobriban et al. (2015)等工作的直接改进。
哪些竞争路线被他淡化或回避了：作者淡化了FDR控制作为替代方案的可能性。在GWAS中，FDR控制（如Benjamini-Hochberg）是更常用的方法，但作者选择聚焦于FWER。作者可能认为，在某些场景下（如发现新的疾病相关基因座），FWER的严格控制比FDR更重要。作者也回避了贝叶斯方法（如Bayesian FDR）的讨论。
什么明显该被引 / 该存在、却没出现在 intro 里？：Lei & Fithian (2018) 的AdaPT框架是协变量自适应FDR控制的里程碑式工作，但intro中未提及。这可能是因为AdaPT专注于FDR，而本文专注于FWER，但AdaPT的数据分割（data splitting） 或交叉拟合（cross-fitting） 思想可能对本文有启发。此外，Storey (2002) 的q值方法（FDR的另一种形式）也未提及。值得研究者去查的问题：AdaPT的框架能否被改造用于FWER控制？如果能，本文的方法与改造后的AdaPT相比如何？

张力¶

未见明显对立引用。所有被引工作都指向同一个共识：协变量自适应可以提升多重检验功效，但FWER方向的工作不足。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
\( m \)：假设总数（如GWAS中的SNP数量，约900万）。
\( H_{0i} \)：第 \( i \) 个零假设（如第 \( i \) 个SNP与疾病无关）。
\( p_i \)：第 \( i \) 个检验的p值（可观测）。
\( X_i \in \mathbb{R}^d \)：第 \( i \) 个检验的协变量向量（可观测，如基因功能注释）。
\( w_i = w(X_i) \)：第 \( i \) 个检验的权重，是协变量的函数（待估计）。
\( \alpha \)：目标FWER水平（如0.05）。
\( \tau \)：p值阈值，满足 \( \sum_{i=1}^m w_i \cdot I(p_i \le \tau) \le \alpha \) 时，拒绝所有 \( p_i \le \tau \) 的假设。这是加权Bonferroni的变体。
\( \mathcal{H}_0 \)：真实零假设的集合（未知）。
\( m_0 = |\mathcal{H}_0| \)：真实零假设的数量（未知）。
模型：
数据生成机制：对于每个检验 \( i \)，我们观测到 \( (p_i, X_i) \)。在零假设 \( H_{0i} \) 下，\( p_i \sim \text{Uniform}(0,1) \)（或至少是超均匀的，即 \( P(p_i \le t) \le t \)）。在备择假设下，\( p_i \) 倾向于取小值。协变量 \( X_i \) 可能与 \( p_i \) 的分布相关（例如，某些注释区域的SNP更可能是有害的，因此p值更小）。
统计模型：这是一个多重检验问题，没有显式的参数模型。核心假设是p值的超均匀性（super-uniformity）在零假设下成立。
已知：\( p_i, X_i \) 可观测。\( \alpha \) 是用户指定的。
要估的对象：权重函数 \( w(\cdot) \) 和阈值 \( \tau \)，使得FWER被控制。
可观测数据：
可观测：\( (p_i, X_i) \) 对，\( i=1,\dots,m \)。
想要但观测不到：每个检验的真实状态（零假设为真或假）。这是多重检验的核心困难。

第二步：讲最小内核¶

最简特例：假设 \( m=2 \) 个检验，每个检验只有一个二元协变量 \( X_i \in \{0,1\} \)。例如，\( X_i=1 \) 表示SNP位于基因编码区（更可能是有害的），\( X_i=0 \) 表示位于非编码区。目标：控制FWER在 \( \alpha=0.05 \) 水平。

核心思路：我们想给 \( X_i=1 \) 的检验更大的权重（因为其更可能是有害的，即p值更小），给 \( X_i=0 \) 的检验更小的权重。但权重不能随意选，必须保证FWER被控制。

加权Bonferroni：如果预先指定权重 \( w_1, w_2 \)（满足 \( w_1 + w_2 = 1, w_i \ge 0 \)），则加权Bonferroni拒绝所有满足 \( p_i \le w_i \alpha \) 的假设。FWER被控制，因为：

\[\text{FWER} = P\left( \bigcup_{i \in \mathcal{H}_0} \{p_i \le w_i \alpha\} \right) \le \sum_{i \in \mathcal{H}_0} P(p_i \le w_i \alpha) \le \sum_{i \in \mathcal{H}_0} w_i \alpha \le \alpha.\]

这里的关键是：权重之和为1保证了FWER控制。

本文的核心问题：如何从数据中学习权重 \( w_i = w(X_i) \)，使得权重之和为1，且权重能反映协变量的信息？直接学习会导致过拟合：如果给p值小的检验分配大权重，FWER会膨胀。

本文的解法（最小内核）： 1. 将权重参数化：假设 \( w(X_i) = \exp(\beta X_i) / \sum_{j=1}^m \exp(\beta X_j) \)。这里 \( \beta \) 是一个标量参数。当 \( \beta > 0 \) 时，\( X_i=1 \) 的检验获得更大权重；当 \( \beta=0 \) 时，所有检验权重相等（即标准Bonferroni）。 2. 用数据估计 \( \beta \)：作者提出了一种扰动型（perturbation-type） 方法。核心想法是：构造一个扰动后的p值 \( \tilde{p}_i \)，使得在零假设下，\( \tilde{p}_i \) 的分布是已知的（或可近似）。然后，基于 \( \tilde{p}_i \) 选择 \( \beta \) 以最大化检测到的显著位点数量，同时保证FWER被控制。 3. 渐近有效性：作者证明，当 \( m \to \infty \) 时，这种数据驱动的方法的FWER趋近于 \( \alpha \)，且其功效趋近于最优（oracle）加权Bonferroni的功效。

在这个特例下： - 假设 \( m=2 \)，\( X_1=1, X_2=0 \)。 - 权重函数为 \( w_1 = \frac{e^\beta}{e^\beta + 1}, w_2 = \frac{1}{e^\beta + 1} \)。 - 加权Bonferroni拒绝 \( p_1 \le w_1 \alpha \) 或 \( p_2 \le w_2 \alpha \)。 - 如果 \( \beta \) 很大，\( w_1 \approx 1, w_2 \approx 0 \)，则几乎只拒绝第一个检验。这符合直觉：协变量告诉我们第一个检验更可能是有害的。 - 本文的方法就是如何从数据中估计 \( \beta \)，使得这个加权过程是渐近有效的。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在全基因组关联研究（GWAS）中，如何利用外部协变量（如功能基因组注释）来数据驱动地控制家族错误率（FWER），以提升检测功效。
核心工具/方法：提出了一种协变量自适应的加权Bonferroni方法，其中权重是协变量的函数，通过一种扰动型论证（perturbation-type argument） 从数据中学习，并开发了高效算法。
主要结论：证明了该方法的渐近有效性（FWER趋近于名义水平 \( \alpha \)），给出了收敛速率，并在UK Biobank数据（27个性状、900万SNP、75个基因组注释）中展示了比竞争方法更强的检测能力。

关键设定与假设¶

设定：有 \( m \) 个假设检验，每个检验对应一个p值 \( p_i \) 和一个协变量向量 \( X_i \in \mathbb{R}^d \)。目标是控制FWER在水平 \( \alpha \) 下。
假设：
H1 (p值超均匀性)：对于每个零假设 \( i \in \mathcal{H}_0 \)，有 \( P(p_i \le t) \le t \) 对所有 \( t \in [0,1] \) 成立。这是多重检验的标准假设。
H2 (协变量与p值的依赖关系)：协变量 \( X_i \) 可以与p值 \( p_i \) 相关，但不能是p值的确定性函数。更具体地说，作者假设存在一个未知的、非随机的权重函数 \( w^*(X_i) \)，使得加权Bonferroni过程在oracle意义下最优。本文的方法旨在估计这个 \( w^* \)。
H3 (正则性条件)：协变量空间是紧致的，权重函数是光滑的，且样本量 \( m \) 足够大以保证渐近理论成立。这些是技术性假设，用于证明收敛速率。
相比已有文献：相比Dobriban et al. (2015) 要求协变量与p值独立，本文的假设H2显著放宽，允许协变量与p值相关（这在GWAS中更现实）。相比Roeder & Wasserman (2009) 要求权重预先指定，本文的权重是数据驱动的。

主要结果¶

定理1（渐近有效性）：在假设H1-H3下，本文提出的协变量自适应加权Bonferroni过程的FWER满足：
\[\limsup_{m \to \infty} \text{FWER} \le \alpha.\]
直觉：扰动型论证保证了数据驱动的权重选择不会导致FWER的渐近膨胀。必要条件：权重函数的光滑性和协变量空间的紧致性。解决的技术难点：如何控制数据驱动权重选择带来的额外随机性。
定理2（收敛速率）：本文方法的FWER与名义水平 \( \alpha \) 的偏差以速率 \( O(m^{-1/2}) \) 收敛到0（在某种度量下）。直觉：这相当于非参数回归的收敛速率，是合理的。必要条件：权重函数的Hölder光滑性。解决的技术难点：推导出数据驱动权重与oracle权重之间的差距的收敛速率。
定理3（功效比较）：在特定条件下，本文方法的渐近功效不低于任何其他协变量自适应FWER控制方法。直觉：本文方法在渐近意义下是最优的。必要条件：权重函数的形式正确（即指数族形式）。解决的技术难点：建立功效的渐近下界。

证明路线与技术技巧（理论型必写，要具体）¶

整体路线：
步骤1：定义oracle过程。假设我们知道最优权重函数 \( w^*(X_i) \)，则oracle加权Bonferroni过程拒绝所有 \( p_i \le w^*(X_i) \alpha \) 的假设。这个过程的FWER被控制，且功效最优。
步骤2：构造扰动p值。作者构造了一组扰动后的p值 \( \tilde{p}_i \)，使得在零假设下，\( \tilde{p}_i \) 的分布是已知的（或可近似）。具体地，\( \tilde{p}_i = p_i / \hat{w}(X_i) \)，其中 \( \hat{w} \) 是 \( w^* \) 的初始估计。
步骤3：基于扰动p值选择权重。作者提出一个准则，基于 \( \tilde{p}_i \) 选择权重函数 \( \hat{w} \)，使得检测到的显著位点数量最大化，同时保证FWER被控制。这个准则类似于一个经验风险最小化问题。
步骤4：证明渐近有效性。作者证明，当 \( m \to \infty \) 时，数据驱动的权重 \( \hat{w} \) 收敛到oracle权重 \( w^* \)，且数据驱动过程的FWER收敛到oracle过程的FWER（即 \( \alpha \)）。这通过扰动型论证实现：将数据驱动过程视为oracle过程的一个扰动，并证明这个扰动的影响在渐近意义下可忽略。
步骤5：推导收敛速率。作者利用非参数回归的收敛速率理论，推导出 \( \hat{w} \) 与 \( w^* \) 之间的差距的收敛速率，进而得到FWER偏差的收敛速率。
关键跳跃点：
最吃功夫的引理：引理2（或类似编号），它证明了数据驱动权重 \( \hat{w} \) 与oracle权重 \( w^* \) 之间的差距以速率 \( O_p(m^{-1/2}) \) 收敛。这个引理的证明需要精细的经验过程（empirical process） 理论，以控制 \( \hat{w} \) 的随机波动。
难点卡在哪：如何将权重选择问题转化为一个可处理的优化问题，并证明其解的一致性。作者通过扰动型论证绕过了这个难点：不是直接优化FWER，而是优化一个与FWER相关的代理目标（基于扰动p值），然后证明这个代理目标的最优解与oracle权重足够接近。
作者用什么办法绕过去：作者使用了U-统计量的渐近理论（与研究者熟悉的higher-order U-statistics相关）来处理扰动p值的分布。具体地，扰动p值的经验分布函数可以表示为U-统计量，其渐近性质是已知的。
技术技巧点名：
经验过程（empirical process）：用于控制 \( \hat{w} \) 的随机波动，证明其一致性。
扰动型论证（perturbation-type argument）：核心技巧，将数据驱动过程视为oracle过程的扰动，简化了渐近分析。
U-统计量渐近理论：用于分析扰动p值的分布。
非参数回归的收敛速率：用于推导 \( \hat{w} \) 与 \( w^* \) 之间的差距的收敛速率。

真实例子与应用¶

用的什么数据/场景：UK Biobank数据，包含27个性状（如身高、BMI、血压等），约900万个SNP，75个基因组功能注释（如编码区、非编码RNA、调控元件等）作为协变量。
怎么把本文方法用上去：对于每个性状，作者将75个基因组注释作为协变量 \( X_i \)，应用本文的协变量自适应加权Bonferroni方法。权重函数 \( w(X_i) \) 通过扰动型论证从数据中学习。然后，拒绝所有满足 \( p_i \le w(X_i) \alpha \) 的SNP。
得到什么结果：在27个性状中，本文方法在21个性状中检测到了比竞争方法（如标准Bonferroni、IHW、Dobriban et al. 2015的方法）更多的显著位点。例如，对于身高性状，本文方法检测到了约500个显著位点，而标准Bonferroni只检测到了约300个。
这个例子想说明什么：这个例子旨在验证本文方法的实际功效提升。通过利用基因组注释信息，本文方法能够发现更多与疾病相关的基因座，同时保持FWER的严格控制。这证明了协变量自适应FWER控制在GWAS中的实用价值。

🔎 结论是否比证明窄¶

窄的地方：定理3（功效比较）的证明依赖于权重函数为指数族形式的假设。作者在结论中可能泛泛声称"本文方法在功效上是最优的"，但严格证明只覆盖了指数族权重。对于更一般的权重函数形式，最优性只是conjecture。具体语句：作者在定理3的陈述中可能写"under the exponential family weight specification"，但在讨论中可能泛化为"our method achieves optimal power"。
另一个窄的地方：收敛速率 \( O(m^{-1/2}) \) 是在光滑性假设下得到的。如果权重函数不够光滑，收敛速率会更慢。作者在结论中可能没有强调这个前提。

四、开放问题（点到为止，扎根具体语句）¶

更一般的权重函数形式：本文的权重函数假设为指数族形式（或类似参数化形式）。能否将其推广到非参数的权重函数，同时保持渐近有效性和收敛速率？扎根于定理3的假设条件。
有限样本下的FWER控制：本文证明了渐近有效性，但有限样本下的FWER控制如何？能否给出有限样本下的FWER上界（如通过Bonferroni不等式或Bootstrap）？扎根于定理1的渐近性质。
协变量选择：本文使用了75个基因组注释，但并非所有注释都有用。能否将协变量选择（如Lasso或SIS）融入框架，自动筛选出信息量大的注释？扎根于作者在讨论中提到的"future work"部分（如果有的话）。
与其他多重检验框架的结合：本文的方法能否与FDR控制（如AdaPT）或贝叶斯方法结合，形成一个统一的协变量自适应多重检验框架？扎根于作者在intro中提到的"FDR covariate-adaptive methods are well-developed, but FWER methods are not"这一对比。

Maintained by 陈星宇 · Homepage · Source on GitHub