跳转至

Estimation of genetic correlation with summary association statistics

作者: Jianqiao Wang, Hongzhe Li
来源: Biometrika
主题: 高维统计 / 随机矩阵
相关性: 5/10
机构绿灯: University of North Carolina at Chapel Hill（US News 前 50，免分进入精读）
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么

这个子方向要解决的根本问题是：如何仅用GWAS汇总统计量（summary association statistics，即每个SNP的效应估计值及其标准误），而非个体水平的基因型-表型数据，来估计两个复杂性状之间的遗传相关性（genetic correlation）。遗传相关性衡量的是两个性状共享的遗传基础的程度，其估计对于理解疾病共病机制、揭示多效性（pleiotropy）以及指导后续的因果推断（如孟德尔随机化）至关重要。当前该领域的成熟度较高，已有多种实用方法（如LD Score回归），但对其统计性质（相合性、渐近正态性、对模型假设的稳健性）的严格理论分析仍不充分。

发展脉络（history）

  1. 奠基工作：从个体水平数据到SNP遗传力估计

    • Yang et al. (2010)：提出用全基因组SNP同时拟合线性模型，通过REML（限制性最大似然）估计SNP遗传力（即所有常见SNP共同解释的表型方差比例）。这是“利用全基因组SNP而非少数显著位点”这一思想的奠基之作。
    • Bulik-Sullivan et al. (2015a, LD Score回归)：开创性地提出仅用GWAS汇总统计量估计SNP遗传力的方法。其核心洞察是：一个SNP的检验统计量（卡方统计量）的期望值，与其LD Score（该SNP与周围所有SNP的连锁不平衡r²之和）呈线性关系，斜率正比于SNP遗传力，截距反映群体分层等混杂。这极大地降低了数据获取门槛。

  2. 主要进展：从单性状到跨性状遗传相关性

    • Bulik-Sullivan et al. (2015b, 跨性状LD Score回归)：将LD Score回归扩展到两个性状，提出用两个性状GWAS的z统计量的乘积对LD Score回归，其斜率估计遗传协方差，进而得到遗传相关性。该方法成为目前应用最广的“黄金标准”方法。
    • Guo et al. (2017b, 功能去偏估计FDE)：在高维线性模型框架下，为遗传协方差和遗传相关性提出了功能去偏估计量（FDE），并证明了其minimax最优性。这是对遗传相关性估计进行严格统计理论分析的重要一步。本文（Wang & Li）的introduction明确指出，FDE需要个体水平数据，而本文的目标是仅用汇总统计量。
    • Shi et al. (2017, ρ-HESS)：提出了局部遗传相关性的估计方法，将分析从全基因组尺度细化到局部基因组区域，并同样仅需汇总统计量。

  3. 当前Frontier与本文的位置

    • 当前Frontier：尽管LD Score回归应用广泛，但其统计性质（如估计量的相合性、方差估计的准确性）在理论上并未被充分刻画。特别是，LD Score回归的方差估计依赖于block jackknife，当模型假设（如所有SNP效应方差相等）被违反时，该方差估计可能有偏。此外，LD Score回归对LD信息的利用是“平均化”的（通过LD Score），可能损失了精细的LD结构信息。
    • 本文的位置：本文正是在这个理论缺口上切入。它在高维线性模型框架下，为遗传相关性提出了一个基于矩估计（method of moments）的新估计量。该估计量仅需汇总统计量，并首次在理论上证明了其相合性和渐近正态性。更重要的是，本文通过理论分析揭示了LD Score回归方法的两个缺陷：①未充分利用LD信息；②其jackknife方差估计在模型假设偏离时可能不稳健。本文的估计量被证明是对LD Score回归的一种改进和理论补充。

子线索聚类

  1. 基于个体水平数据的方法：以Yang et al. (2010)的REML方法和Guo et al. (2017b)的FDE为代表。这类方法统计性质清晰，但需要访问原始基因型数据，这在大型GWAS中常因隐私和伦理限制而不可行。
  2. 基于汇总统计量的方法：这是本文的核心战场。包括：
    • LD Score回归及其衍生（Bulik-Sullivan et al., 2015a, 2015b; Zheng et al., 2017）：应用最广，但理论性质分析不足。
    • 本文提出的矩估计方法：旨在提供更扎实的理论基础和更稳健的估计。
  3. 多基因风险评分（PRS）方法：以Purcell et al. (2009)的跨性状PRS为代表。PRS通过计算一个性状的遗传风险评分对另一个性状的预测能力（R²）来间接衡量遗传重叠。本文introduction指出，PRS的R²通常很小（<2%），且其统计性质（如与遗传相关性的关系）未被严格研究。本文的矩估计方法为理解PRS的局限性提供了理论视角。

这个方向在追问的核心问题

  1. 如何仅用汇总统计量，对遗传相关性进行统计上严格（相合、渐近正态）的估计？
  2. 现有方法（如LD Score回归）的统计性质是什么？在什么条件下它们会失效？
  3. 如何更充分地利用LD矩阵的精细结构信息，而不是仅用其汇总统计量（LD Score）？
  4. 如何区分真正的多效性（pleiotropy，一个SNP直接影响两个性状）和由LD导致的虚假遗传相关性？

⚠️ 作者的Framing

  • 作者把缺口frame成什么：作者将缺口frame为“对遗传相关性估计的严格统计理论分析的缺乏”。他们指出，尽管LD Score回归应用广泛，但其“statistical properties, including their robustness to model assumptions, is still lacking”。本文通过提出一个具有明确理论性质的矩估计量，将自己定位为填补这一理论空白的“显然的下一步”。
  • 哪些竞争路线被他淡化或回避了：
    • Guo et al. (2017b)的FDE：作者承认FDE是“optimal”，但强调其需要个体水平数据，从而将本文的方法定位为在“仅用汇总统计量”这一更实际场景下的替代方案。作者没有深入讨论FDE是否可以通过某种方式（如近似）仅用汇总统计量实现。
    • 其他基于汇总统计量的方法：如Shi et al. (2017)的ρ-HESS，作者在introduction中提及，但未将其作为主要比较对象。作者将比较重点完全放在LD Score回归上，这可能是为了突出本文方法的改进。
  • 什么明显该被引/该存在、却没出现在intro里？：未见明显缺失的关键引用。作者引用了该领域几乎所有里程碑式的工作。

张力

未见明显对立引用。该领域的工作基本是互补和递进的，共同构建了从个体水平数据到汇总统计量、从遗传力到遗传相关性的分析框架。

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：
    • \(p\): SNP（单核苷酸多态性）的数量，通常很大（如数百万）。
    • \(n_1, n_2\): 两个GWAS研究的样本量。
    • \(y_1 \in \mathbb{R}^{n_1}\), \(y_2 \in \mathbb{R}^{n_2}\): 两个性状的表型向量（可观测）。
    • \(X_1 \in \mathbb{R}^{n_1 \times p}\), \(X_2 \in \mathbb{R}^{n_2 \times p}\): 两个GWAS的基因型矩阵（不可直接观测，仅知其汇总统计量）。
    • \(\beta_1 \in \mathbb{R}^p\), \(\beta_2 \in \mathbb{R}^p\): 两个性状的SNP效应向量（待估参数，高维）。
    • \(\epsilon_1 \in \mathbb{R}^{n_1}\), \(\epsilon_2 \in \mathbb{R}^{n_2}\): 独立同分布的随机误差项，均值为0，方差为\(\sigma^2_{\epsilon_1}, \sigma^2_{\epsilon_2}\)。
    • \(\Sigma \in \mathbb{R}^{p \times p}\): LD矩阵（Linkage Disequilibrium matrix），即所有SNP之间的相关系数矩阵。本文假设LD矩阵是已知的，可以从一个参考群体（如1000 Genomes Project）中估计得到。
    • \(\hat{\beta}_{1,j}, \hat{\beta}_{2,j}\): 第\(j\)个SNP对两个性状的边际效应估计（可观测的汇总统计量），通常来自单变量线性回归。
    • \(s_{1,j}^2, s_{2,j}^2\): 上述边际效应估计的方差（可观测的汇总统计量）。
    • \(\rho_g\): 遗传相关性（目标参数）。
  • 模型：
    • 两个性状分别服从高维线性模型：
      \[y_1 = X_1\beta_1 + \epsilon_1, \quad y_2 = X_2\beta_2 + \epsilon_2\]
    • 关键假设：SNP效应\(\beta_1, \beta_2\)被视为随机效应，服从一个均值为0、协方差结构待定的分布。这是遗传学中常用的“随机效应模型”视角。
    • 遗传相关性的定义：本文定义遗传相关性为两个性状的标准化SNP效应向量的相关系数：
      \[\rho_g = \frac{\beta_1^T \Sigma \beta_2}{\sqrt{\beta_1^T \Sigma \beta_1} \sqrt{\beta_2^T \Sigma \beta_2}}\]
      注意，这里用LD矩阵\(\Sigma\)对效应向量进行了“加权”。这个定义与Guo et al. (2017b)一致，但与LD Score回归的定义（基于所有SNP效应方差的协方差）略有不同。
  • 可观测数据：
    • 研究者能观测到的是：每个SNP的边际效应估计\(\hat{\beta}_{1,j}, \hat{\beta}_{2,j}\)及其标准误\(s_{1,j}, s_{2,j}\)。这些是GWAS的“汇总统计量”。
    • 研究者观测不到的是：原始基因型矩阵\(X_1, X_2\)，以及真实的SNP效应向量\(\beta_1, \beta_2\)。
    • 研究者假设已知的是：LD矩阵\(\Sigma\)（从参考面板估计）。

第二步：讲最小内核

最简特例：假设所有SNP都是独立的（即LD矩阵\(\Sigma = I_p\)，单位阵），且两个性状的GWAS样本量相同（\(n_1 = n_2 = n\)），且所有SNP的边际效应估计的方差相同（\(s_{1,j}^2 = s_{2,j}^2 = s^2\)）。

在这个特例下，遗传相关性的定义简化为：

\[\rho_g = \frac{\beta_1^T \beta_2}{\|\beta_1\| \|\beta_2\|}\]

即两个效应向量的余弦相似度。

核心思路：我们如何仅用\(\hat{\beta}_{1,j}, \hat{\beta}_{2,j}\)来估计\(\rho_g\)？

  1. 矩条件：在随机效应模型下，可以证明边际效应估计的期望和方差满足某些矩条件。例如，对于任意一个SNP \(j\)，有：

    \[E[\hat{\beta}_{1,j} \hat{\beta}_{2,j}] = \rho_g \sqrt{h_1^2 h_2^2} + \text{噪声项}\]
    其中\(h_1^2, h_2^2\)是两个性状的SNP遗传力。这个矩条件将我们关心的参数\(\rho_g\)与可观测的\(\hat{\beta}_{1,j} \hat{\beta}_{2,j}\)的期望联系起来。

  2. 矩估计：矩估计的基本思想是“用样本矩代替总体矩”。因此，我们可以用所有SNP的\(\hat{\beta}_{1,j} \hat{\beta}_{2,j}\)的样本均值作为\(E[\hat{\beta}_{1,j} \hat{\beta}_{2,j}]\)的估计，然后解出\(\rho_g\)。

  3. 解决高维问题：然而，这里有一个关键困难：遗传力\(h_1^2, h_2^2\)也是未知的，且同样需要估计。此外，边际效应估计\(\hat{\beta}_{1,j}\)本身是有偏的（因为它是单变量回归，忽略了其他SNP的贡献），这在高维背景下尤为严重。

  4. 本文的关键想法：作者巧妙地构造了一个不需要估计遗传力的矩条件。他们发现，对于任意两个SNP \(j\)和\(k\)，其边际效应估计的乘积的期望满足一个关系，该关系可以消去遗传力项，从而直接得到关于\(\rho_g\)的方程。具体来说，他们利用了一个事实：在独立SNP的特例下，\(E[\hat{\beta}_{1,j} \hat{\beta}_{2,k}]\)（\(j \neq k\)）与\(\rho_g\)成正比，且比例系数与遗传力无关。通过巧妙地组合不同SNP对的矩条件，他们构造了一个关于\(\rho_g\)的简单矩估计量。

一句话总结：本文的核心数学贡献是，在高维线性模型下，构造了一个仅依赖于边际效应估计和已知LD矩阵的矩条件，该矩条件直接识别出遗传相关性\(\rho_g\)，无需估计高维的SNP效应向量或遗传力。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在高维线性模型框架下，研究如何仅用GWAS汇总统计量（边际效应估计及其标准误）和已知的LD矩阵，来相合且渐近正态地估计两个复杂性状之间的遗传相关性\(\rho_g\)。
  2. 核心工具/方法：提出了一个矩估计量（method of moments estimator），该估计量通过构造一个关于边际效应估计的二次型，巧妙地消去了高维的SNP效应向量，从而直接识别出\(\rho_g\)。
  3. 主要结论：证明了该矩估计量的相合性和渐近正态性。理论分析表明，该估计量与LD Score回归估计量有密切联系，但更充分地利用了LD信息，且其方差估计对模型假设的偏离更稳健。模拟和真实数据分析验证了其优于LD Score回归的性能。

关键设定与假设

  • 模型：两个性状分别服从高维线性模型 \(y_1 = X_1\beta_1 + \epsilon_1\), \(y_2 = X_2\beta_2 + \epsilon_2\)。
  • 随机效应假设：SNP效应向量\(\beta_1, \beta_2\)被视为随机向量，服从一个均值为0的分布。具体地，假设\(E[\beta_1] = 0\), \(E[\beta_2] = 0\), \(Var(\beta_1) = \frac{h_1^2}{p} I_p\), \(Var(\beta_2) = \frac{h_2^2}{p} I_p\), \(Cov(\beta_1, \beta_2) = \frac{\rho_g \sqrt{h_1^2 h_2^2}}{p} I_p\)。这是一个同方差的随机效应模型，即所有SNP的效应方差相同。这是本文与LD Score回归共享的核心假设。
  • 已知LD矩阵：假设LD矩阵\(\Sigma\)是已知的。在实际应用中，它由一个外部参考面板（如1000 Genomes Project）估计得到。
  • 边际效应估计：假设可观测的汇总统计量\(\hat{\beta}_{1,j}, \hat{\beta}_{2,j}\)是通过单变量线性回归（即每个SNP单独对表型回归）得到的。这是GWAS的标准做法。
  • 样本独立性：假设两个GWAS的样本是独立的（\(X_1\)和\(X_2\)独立，\(\epsilon_1\)和\(\epsilon_2\)独立）。这是为了简化理论分析，作者在附录中讨论了样本重叠的情况。
  • 与已有文献的对比：相比LD Score回归，本文的设定更明确地写明了高维线性模型和随机效应假设。相比Guo et al. (2017b)的FDE，本文的设定允许仅使用汇总统计量，但代价是施加了更强的同方差随机效应假设。

主要结果

  • 定理1（矩估计量的相合性）：在正则条件下，本文提出的矩估计量\(\hat{\rho}_g\)是遗传相关性\(\rho_g\)的相合估计，即\(\hat{\rho}_g \xrightarrow{p} \rho_g\)。直觉：矩估计量本质上是一个关于边际效应估计的二次型的函数，该二次型的期望在\(p \to \infty\)时收敛到\(\rho_g\)的某个函数，且其方差趋于0。必要条件：SNP数量\(p\)和样本量\(n\)都趋于无穷大，且\(p/n\)趋于一个常数（高维场景）。
  • 定理2（矩估计量的渐近正态性）：在更强的正则条件下，\(\sqrt{p}(\hat{\rho}_g - \rho_g)\)依分布收敛到一个均值为0的正态分布。直觉：矩估计量可以表示为一系列弱相关随机变量的和，从而可以用中心极限定理。解决的技术难点：证明渐近正态性需要处理高维二次型的渐近分布，作者使用了U-统计量和鞅差序列的理论工具。
  • 与LD Score回归的关系：作者证明，在特定的参数化下，本文的矩估计量与LD Score回归的估计量在形式上非常相似。然而，关键区别在于：
    • LD信息利用：LD Score回归使用每个SNP的LD Score（一个标量）作为回归变量，而本文的矩估计量直接使用了整个LD矩阵\(\Sigma\)。作者通过理论推导和模拟表明，当LD结构复杂时，本文的方法能更准确地捕捉LD对遗传相关性的贡献。
    • 方差估计：LD Score回归使用block jackknife估计方差，而本文给出了方差的分析表达式。模拟表明，当同方差随机效应假设被违反时（例如，存在少数效应很大的SNP），LD Score回归的jackknife方差估计会严重有偏，而本文的分析方差估计则相对稳健。

证明路线与技术技巧

  • 整体路线：
    1. 构造矩条件：首先，基于随机效应模型，推导出边际效应估计\(\hat{\beta}_1, \hat{\beta}_2\)的期望和协方差结构。关键的一步是证明\(E[\hat{\beta}_1 \hat{\beta}_2^T]\)与\(\rho_g\)和LD矩阵\(\Sigma\)之间存在一个简洁的关系。
    2. 提出矩估计量：基于上述矩条件，构造一个关于\(\hat{\beta}_1, \hat{\beta}_2\)和\(\Sigma\)的二次型，使其期望恰好是\(\rho_g\)的某个函数。通过求解这个函数，得到\(\hat{\rho}_g\)的显式表达式。
    3. 证明相合性：将\(\hat{\rho}_g\)分解为“期望项”和“随机波动项”。证明“期望项”收敛到真值\(\rho_g\)，而“随机波动项”在\(p \to \infty\)时依概率收敛到0。这一步的关键是控制高维二次型的方差，使用了矩阵的谱范数和随机矩阵理论中的工具。
    4. 证明渐近正态性：将\(\hat{\rho}_g\)进一步表示为一系列鞅差的和，然后应用鞅中心极限定理。这一步需要精细地处理估计量的高阶项，并证明其可忽略性。
  • 关键跳跃点：
    • 从矩条件到显式估计量：如何从一个关于矩阵的矩条件，巧妙地构造出一个标量估计量，是本文的第一个关键跳跃。作者通过引入一个“权重矩阵”并求解一个优化问题来实现。
    • 处理高维二次型的渐近分布：证明\(\hat{\rho}_g\)的渐近正态性需要处理一个形式复杂的二次型。作者没有直接使用经典的二次型极限定理（如Bai-Silverstein定理），而是通过U-统计量分解和鞅差表示，将问题转化为一个更易处理的形式。
  • 技术技巧点名：
    • U-统计量：用于分解和简化高维二次型的期望和方差计算。
    • 鞅差序列：用于证明渐近正态性，通过构造一个鞅差序列，将复杂的依赖结构转化为鞅框架下的问题。
    • 矩阵谱范数：用于控制高维随机矩阵（如\(\hat{\beta}_1 \hat{\beta}_2^T\)）的算子范数，这是证明相合性的关键。
    • 随机矩阵理论：用于处理LD矩阵\(\Sigma\)的谱性质，以及基因型矩阵\(X\)的随机性。

真实例子与应用

  • 数据/场景：使用UK Biobank数据，分析脑白质（WM）纤维束的弥散张量成像（DTI）参数与几种神经精神疾病（如ADHD、双相情感障碍、精神分裂症）之间的遗传相关性。
  • 方法应用：作者首先使用ENIGMA管道从UK Biobank的dMRI数据中提取了7个DTI参数（FA, MD等）的汇总统计量。然后，他们使用本文提出的矩估计量和LD Score回归，分别估计了每个DTI参数与三种精神疾病的遗传相关性。
  • 结果：
    • 两种方法都检测到了一些显著的遗传相关性，例如，FA（各向异性分数）与精神分裂症呈负相关。
    • 然而，在部分结果中，两种方法的估计值存在差异。作者通过一个“正对照分析”（positive control analysis）来评估哪种方法更可靠。他们分析了总脑体积（TBV） 的遗传相关性，因为同一性状在两个独立研究中的遗传相关性理论上应为1。结果显示，本文的矩估计量给出的估计值更接近1，而LD Score回归的估计值则偏低，表明本文方法更准确。
  • 这个例子想说明什么：这个真实数据例子旨在验证本文方法在实际应用中的有效性，并展示其相对于LD Score回归的优势。正对照分析的结果有力地支持了本文方法更准确、更稳健的结论。

🔎 结论是否比证明窄

  • 窄化之处：本文的主要理论结果（相合性和渐近正态性）是在同方差随机效应模型下严格证明的。然而，在真实数据中，SNP效应几乎肯定不是同方差的（例如，一些SNP是“因果”的，效应较大；大多数SNP效应很小或为零）。作者在模拟中测试了违反该假设的情况（如存在少数大效应SNP），并发现本文方法仍优于LD Score回归，但并未给出在异方差模型下的严格理论证明。作者在结论部分提到，将方法扩展到异方差模型是未来工作。
  • 泛化claim：作者在摘要和引言中声称本文方法“more robust and has better interpretability than the LD score regression method under different genetic architectures”。这个“different genetic architectures”的表述比其严格证明的“同方差”模型要宽泛。虽然模拟支持了这一claim，但严格的理论保证目前仅限于同方差模型。

四、开放问题

  1. 异方差随机效应模型下的理论性质：本文的核心理论（相合性、渐近正态性）是在所有SNP效应方差相等的同方差假设下建立的。要证：在更现实的异方差模型（如Bayesian alphabet模型，或存在稀疏大效应SNP）下，本文的矩估计量是否仍然相合？其渐近分布是什么？方差估计公式是否需要调整？扎根点：本文结论部分明确提到“extending our method to accommodate heterogeneous SNP effect variances is an important future direction”。

  2. 样本重叠时的调整：本文的理论假设两个GWAS的样本是独立的。然而，在实际中，样本重叠（如UK Biobank中同时测量了多个性状）非常普遍。要估：当存在样本重叠时，本文的矩估计量会产生什么偏差？如何修正矩条件以消除该偏差？扎根点：本文在附录中简要讨论了样本重叠的情况，但未给出完整的理论结果或修正方法。

  3. LD矩阵估计误差的影响：本文假设LD矩阵\(\Sigma\)是已知的，但实际中它是从一个有限样本的参考面板估计得到的。要估：LD矩阵的估计误差如何传播到遗传相关性的估计中？是否会导致额外的偏差或方差？能否给出一个考虑LD矩阵不确定性的校正方差估计？扎根点：本文在模拟中使用了估计的LD矩阵，但未对其估计误差进行理论分析。

  4. 与多基因风险评分（PRS）的理论联系：本文的introduction指出，跨性状PRS的R²通常很小，但其与遗传相关性的精确关系未被研究。要证：能否在本文的模型框架下，推导出PRS的R²与遗传相关性\(\rho_g\)之间的解析关系？这或许能解释为何PRS的R²通常很小，并为PRS的校正提供理论依据。扎根点：本文在introduction中明确提出了对PRS理论分析的缺失，并将其作为本文动机的一部分。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论