Navigating Selection Bias in Genome-wide Association Studies (GWAS)¶
作者: Ciarrah-Jane S Barry, Tahereh Gholipourshahraki, Zolt\'an Kutalik, Bjarni J Vilhj\'almsson, Esben Agerbo
主题: 流行病学
相关性: 7/10
链接: https://arxiv.org/abs/2611.09429
一、领域脉络与小综述¶
这个方向是什么¶
本文聚焦于全基因组关联分析(GWAS)中的选择偏差(selection bias)问题。其根本科学问题是:当研究样本的纳入(participation)、保留(retention)或病例定义(case ascertainment)依赖于遗传变异或与遗传变异相关的表型时,GWAS 估计的 SNP-性状关联会系统地偏离真实值。这个问题在遗传流行病学中尤为尖锐,因为现代遗传研究越来越依赖志愿者生物库(如 UK Biobank)、病例对照设计和疾病进展队列——这些设计本质上都涉及非随机抽样。该子方向的成熟度处于"问题已被广泛认识、但方法分散且缺乏统一框架"的阶段:大量方法来自计量经济学、流行病学和统计遗传学等不同传统,各自依赖不同的假设,鲜有工作将它们放在同一框架下比较。
发展脉络(history)¶
奠基工作:选择偏差的因果结构认识。 本文的框架根植于 Hernán 和 Robins 的因果推断理论——作者明确引用其定义:"selection bias refers to the distortion of an estimated association between an exposure and outcome that occurs when an individual's inclusion in the sample is not independent of the exposure and outcome, or factors that cause them"(引 [22])。这一形式化定义将选择偏差从"样本不具代表性"的模糊担忧转化为可分析的因果结构问题。同期,Munafò 等人(引 [12])通过模拟展示了选择偏差(collider bias)如何在实际观测研究中产生实质性影响,即使选择机制看似微弱。Dahabreh 和 Kent(引 [16])则从临床流行病学角度提出了 index event bias 的概念,解释了为何在疾病进展研究中会出现"悖论性"的关联反转。
主要进展:从诊断到校正的方法学发展。 在诊断方面,负对照(negative control)方法被系统引入——通过检验 SNP 与已知无因果关联的表型(如发色)之间的关联来检测选择偏差(引 [41-44])。参与 GWAS(participation GWAS)成为直接识别选择遗传结构的工具,Pirastu 等人(引 [6])在约 330 万样本中发现 158 个与性别差异参与相关的常染色体位点,直接证明了"基因型预测参与"这一选择偏差前提条件的现实性。在校正方面,IPW 方法从流行病学引入(引 [50,51]),Heckman 校正从计量经济学引入(引 [36,57]),SPREG 则代表了针对病例对照设计中次要表型分析的似然方法(引 [58,59])。针对 index event bias,Dudbridge 等人(引 [35])提出了基于回归斜率校正的方法(DHO),Slope-Hunter(引 [34])和 MR-Horse 适应版(引 [69,70])则进一步放松了关于多效性的假设。
当前 frontier:大规模生物库时代的系统性偏差。 近期工作聚焦于生物库样本的系统性非代表性及其下游后果。Schoeler 等人(引 [52])利用辅助变量为 UK Biobank 生成抽样权重,发现加权 GWAS 改变了 12 个性状的 SNP 关联;van Alten 等人(引 [23])基于人口普查数据构建 IP 权重,显示加权可校正 87% 的志愿者偏差。Mostafavi 等人(引 [13])则从预测角度证明,即使在单一祖先群体内,多基因评分的预测精度也随 GWAS 样本的年龄和性别构成而变化。这些工作共同表明:选择偏差不仅是理论担忧,而是对 GWAS 下游分析(MR、PGS、遗传相关)产生可量化影响的现实问题。
本文的位置:作者将上述分散的方法组织成一个决策框架——按"诊断 vs 校正"和"个体数据 vs 汇总统计"两个维度分类,并首次系统比较了针对同一选择结构(如 index event bias)的不同方法(DHO、Slope-Hunter、MR-Horse)的假设差异。本文的贡献不是提出新方法,而是提供一个可操作的方法选择地图,并指出各方法之间的假设张力。
子线索聚类¶
这些被引文献大致落在四条子线索上:
-
因果推断形式化线索(Hernán & Robins [22];Hernán et al. [23];Griffith et al. [20]):将选择偏差纳入潜在结果框架,区分内部效度与外部效度,强调选择偏差与混杂的因果结构差异。这一线索为所有校正方法提供了理论语言。
-
生物库参与偏差的实证与校正线索(Fry et al. [8];Pirastu et al. [6];Schoeler et al. [52];van Alten et al. [23];Tyrrell et al. [47];Taylor et al. [19]):通过参与 GWAS、人口普查数据匹配、辅助变量加权等手段量化并校正志愿者生物库的非代表性。这一线索的核心问题是:参与是否可由可观测变量解释?
-
病例对照与次要表型分析线索(Lin & Zeng [58];Sofer et al. [55];He et al. [59]):处理病例对照设计中次要表型(secondary phenotype)的偏差,核心工具是 retrospective likelihood 和加权估计方程。
-
Index event bias 的检测与校正线索(Dahabreh & Kent [16];Dudbridge et al. [35];Mahmoud et al. [34];Donovan et al. [70]):针对疾病进展/复发研究中的选择偏差,发展出基于回归斜率、聚类和贝叶斯稀疏先验的方法。
这个方向在追问的核心问题¶
- 可识别性问题:在什么条件下,选择偏差可以从观测数据中被识别和校正?这取决于选择机制的因果结构(是否可观测、是否依赖于结局)和可用数据(个体级 vs 汇总统计)。
- 假设的不可检验性:所有校正方法都依赖无法完全验证的假设(如 IPW 的 no unmeasured confounders of selection;Heckman 的排除限制;DHO 的独立性假设),如何评估结果对假设偏离的稳健性?
- 偏差的传播路径:选择偏差如何从初级 GWAS 传播到下游分析(MR、PGS、遗传相关)?不同下游分析对选择偏差的敏感度是否有系统差异?
- 汇总统计层面的校正:当只有 GWAS 汇总统计可用时(无法重建个体级选择模型),哪些偏差可以被校正,哪些不能?
已知瓶颈:IPW 和 Heckman 需要个体级数据且依赖强假设;汇总统计层面的方法(DHO、Slope-Hunter、MR-Horse)依赖关于遗传结构的假设(如独立性、稀疏性),这些假设在真实遗传结构中往往不成立或无法验证。
⚠️ 作者的 framing(这是作者的说法)¶
作者将选择偏差问题框定为"一个可分类、可操作的方法选择问题":通过"诊断 vs 校正"和"数据层级"两个维度,将十种方法组织成决策树。这个 framing 隐含的判断是:(1) 选择偏差的主要挑战不是理论认识不足,而是方法选择缺乏指导;(2) 不同形式的选择偏差(参与、病例对照、index event、性别差异、生存)可以被统一处理;(3) 方法之间的差异主要在于假设而非适用场景。作者淡化的竞争路线包括:设计层面的解决方案(如主动招募策略、概率抽样)被简化为"预防"而未被深入讨论;贝叶斯方法(MR-Horse)被描述为计算成本高的替代方案而非理论上的更优选择;对选择偏差的"外部效度"解释(即偏差是否真的需要校正,取决于目标人群定义)未被充分展开。值得注意的缺失:文中没有讨论选择偏差与测量误差、基因-环境交互的交互作用,也没有讨论多生物库元分析中不同选择机制叠加的问题。
张力¶
未见明显对立引用。但存在一个值得注意的张力:Schoeler 等人(引 [52])和 van Alten 等人(引 [23])的加权方法假设选择可由可观测变量解释,而 Pirastu 等人(引 [6])发现的 SNP-参与关联暗示存在不可观测的遗传选择成分——如果选择部分由基因型驱动,而基因型又通过未测量途径影响性状,那么基于可观测变量的加权可能无法完全消除偏差。这一张力在文中未被明确讨论。
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¶
符号约定(贯穿全文):
- 遗传变量:\( G \) 表示 SNP 基因型(通常编码为 0/1/2 的加性剂量);\( G \) 是随机变量,在 GWAS 中对每个 SNP 分别考虑。
- 性状/结局:\( Y \) 表示研究的性状(连续或二元);\( X \) 表示疾病发病率(incidence),\( Y \) 表示疾病进展(progression)——在 index event bias 的设定中,\( X \) 是选择变量(决定是否进入"病例"样本),\( Y \) 是研究结局(仅在病例中可观测)。
- 选择指示:\( S \) 表示样本纳入指示(\( S = 1 \) 表示个体被纳入分析样本)。
- 选择变量:\( Z \) 表示影响选择的可观测协变量(如年龄、性别、教育程度);\( E \) 表示影响选择但不影响性状的工具变量(排除限制变量);\( U \) 表示不可观测的混杂因素(同时影响选择和性状)。
- 参数:\( \beta_{GY} \) 是 SNP 对性状 \( Y \) 的真实效应(目标 estimand);\( \beta_{GX} \) 是 SNP 对发病率 \( X \) 的效应;\( b \) 是 index event bias 的偏差斜率(bias slope)。
- 可观测数据:在 GWAS 中,研究者观测到的是已纳入样本的 \( (G, Y, Z) \) 或汇总统计 \( (\hat{\beta}_{GY}^*, SE_j) \),其中 \( \hat{\beta}_{GY}^* \) 是有偏的(在选定样本中估计的)SNP-性状关联。不可观测的是未纳入个体的 \( (G, Y) \) 以及所有个体的 \( U \)。
数据生成机制(以 index event bias 为例,对应文中公式 [4]-[5]):
其中 \( \varepsilon_X, \varepsilon_Y \) 是独立正态误差。选择机制:\( S = 1 \) 当且仅当 \( X \geq c \)(即个体患病/发生事件)。关键点:\( Y \) 仅在 \( S = 1 \) 的个体中可观测。即使 \( \beta_{GY} \) 是 SNP 对进展的真实直接效应,在病例样本中回归 \( Y \) 对 \( G \) 得到的估计 \( \hat{\beta}_{GY}^* \) 也会因为选择(conditioning on \( X \))而偏离 \( \beta_{GY} \)。
第二步:最小内核¶
最小内核:去掉所有一般性设定后,支撑整篇论文的核心数学问题是:
当样本选择依赖于一个与结局共享遗传原因的中间变量时,如何在仅观测到选定样本的情况下,恢复 SNP 对结局的直接效应?
最简特例:考虑单个 SNP \( G \),单个不可观测混杂 \( U \),线性模型,二元选择。假设:
- \( X = \beta_{GX}G + \beta_{UX}U + \varepsilon_X \)
- \( Y = \beta_{GY}G + \beta_{UY}U + \varepsilon_Y \)(为简化,设 \( \beta_{XY} = 0 \),即发病率不直接影响进展)
- \( S = 1 \iff X \geq c \)
要证的命题:在选定样本(\( S = 1 \))中,\( Y \) 对 \( G \) 的回归系数 \( \hat{\beta}_{GY}^* \) 不等于 \( \beta_{GY} \),且偏差量由 \( b \cdot \beta_{GX} \) 决定,其中 \( b \) 是 \( U \) 对 \( Y \) 的效应与 \( U \) 对 \( X \) 的效应的比值(经方差标准化)。
为什么成立:选择 \( S = 1 \) 等价于 condition on \( X \geq c \)。由于 \( X \) 与 \( U \) 相关(\( \beta_{UX} \neq 0 \)),conditioning on \( X \) 使得 \( U \) 在选定样本中的分布偏离其在总体中的分布。而 \( U \) 又影响 \( Y \)(\( \beta_{UY} \neq 0 \)),因此在选定样本中,\( G \) 通过 \( X \) 与 \( U \) 的关联被"打开"——\( G \) 与 \( U \) 在选定样本中变得相关(即使它们在总体中独立),从而 \( \hat{\beta}_{GY}^* \) 混入了 \( U \) 对 \( Y \) 的效应。偏差的大小正比于 \( \beta_{GX} \)(SNP 对选择变量的效应)和 \( b \)(选择变量与结局的混杂关联强度)。
证明路线(在最小内核下):
- 写出选定样本中的回归系数:\( \hat{\beta}_{GY}^* = \text{Cov}(G, Y | S=1) / \text{Var}(G | S=1) \)。
- 利用 \( Y = \beta_{GY}G + \beta_{UY}U + \varepsilon_Y \),展开 \( \text{Cov}(G, Y | S=1) = \beta_{GY}\text{Var}(G|S=1) + \beta_{UY}\text{Cov}(G, U | S=1) \)。
- 关键步骤:证明 \( \text{Cov}(G, U | S=1) \neq 0 \)。由于 \( S \) 由 \( X \) 决定,而 \( X \) 与 \( G \) 和 \( U \) 都相关,conditioning on \( S \) 引入了 \( G \) 与 \( U \) 的关联。在二元正态假设下,这个协方差可以精确计算,得到 \( \text{Cov}(G, U | S=1) = \beta_{GX}\beta_{UX} \cdot \lambda(c') \),其中 \( \lambda \) 是 Mills ratio 的某种函数。
- 因此 \( \hat{\beta}_{GY}^* = \beta_{GY} + b \cdot \beta_{GX} \),其中 \( b = \beta_{UY}\beta_{UX}\lambda(c') / \text{Var}(G|S=1) \)。这就是文中公式 [6] 的偏差分解。
为什么这个内核是"最小"的:它抓住了选择偏差的本质——conditioning on a collider 打开后门路径——而不需要病例对照设计、生存分析或性别差异等具体设定。所有四种选择形式(参与、病例对照、index event、生存)在数学上都是这个内核的变体:不同的选择机制只是改变了 \( X \) 的定义和 \( S \) 的函数形式,但偏差的因果结构(通过 \( U \) 打开 \( G \) 与 \( Y \) 的关联)完全相同。
一般情形的"加壳":当从最小内核推广到实际 GWAS 时,需要处理:(i) 全基因组数百万 SNP 的并行检验(多重比较);(ii) 汇总统计而非个体数据(DHO、Slope-Hunter 的工作设定);(iii) 非正态、非线性的选择机制;(iv) 选择变量与结局之间的直接因果路径(\( \beta_{XY} \neq 0 \))。但核心识别策略——利用工具变量、排除限制、或遗传结构假设来估计偏差斜率 \( b \)——在所有这些推广中保持不变。
三、这篇论文做了什么¶
三句话¶
① 研究了什么问题:系统梳理 GWAS 中因样本选择(非代表性参与、病例对照抽样、index event、性别差异参与、生存到招募)导致的 selection bias,并组织十种检测与校正方法。② 核心工具/方法:按"诊断 vs 校正"和"个体级 vs 汇总统计"两个维度建立决策框架,对每种方法阐述其原理、假设、数据需求和局限,并提供 R 实现和模拟数据示例。③ 主要结论:方法选择取决于选择机制的结构(由什么驱动、在哪个层面运作)和可用数据;不同方法对同一选择结构的校正效果差异显著,且假设不可检验性意味着应交叉验证多种方法。
关键设定与假设¶
总体设定:GWAS 的 estimand 是 SNP \( G \) 对性状 \( Y \) 的边际关联 \( \beta_{GY} \),目标人群是某个明确定义的总体(如"所有具有某祖先背景的成年人")。选择偏差的产生是因为观测样本 \( S = 1 \) 不是该总体的随机样本。
核心假设(按方法分类):
-
IPW:假设选择可由可观测协变量 \( Z \) 完全解释(即 \( S \perp (G, Y) | Z \)),且权重模型正确设定。文中明确指出"this cannot be empirically verified"(引 [37])。相比已有文献,本文强调 IPW 在 GWAS 中的特殊困难:选择变量(如教育程度)本身高度多基因化,权重模型可能吸收真实的遗传效应。
-
Heckman 校正:假设选择方程和结局方程的误差服从二元正态分布,且存在至少一个排除限制变量(影响选择但不直接影响结局)。文中指出该假设在 GWAS 中的困难:找到影响参与但不影响性状的遗传变异极为困难。
-
SPRK 类方法(Lin & Zeng):假设次要性状的模型在总体中成立,且病例/对照的抽样概率已知。相比 IPW,SPREG 通过 retrospective likelihood 更有效地利用了病例对照设计的信息,但对模型错误设定更敏感。
-
DHO / Slope-Hunter / MR-Horse:均假设 SNP 对发病率 \( X \) 和进展 \( Y \) 的效应满足某种结构(DHO 假设独立;Slope-Hunter 假设存在 incidence-only 聚类;MR-Horse 假设稀疏性)。这些假设直接对应文中公式 [4]-[7] 的线性模型设定。
相比已有文献的放宽/强化:本文的贡献不是提出新假设,而是明确比较了不同方法的假设强度。例如,DHO 的独立性假设最严格但计算最简单;Slope-Hunter 放松了独立性但要求 incidence-only 聚类存在且可识别;MR-Horse 进一步允许相关多效性但需要先验设定。文中通过模拟(补充材料)展示了这些假设违反时的表现差异。
主要结果¶
理论结果(来自方法描述和模拟):
-
偏差分解公式(公式 [6]-[7]):在 index event bias 设定下,观测到的 SNP-进展关联 \( \hat{\beta}_{GY}^* \) 可分解为真实效应 \( \beta_{GY} \) 加上偏差项 \( b \cdot \beta_{GX} \),其中 \( b \) 是偏差斜率。这个分解是所有 index event 校正方法的基础。
-
DHO 校正:通过加权回归估计 \( b \),然后从每个 SNP 的观测效应中减去 \( b \cdot \hat{\beta}_{GX} \)。Hedges-Olkin 校正用于处理 \( \hat{\beta}_{GX} \) 的测量误差(回归稀释)。
-
Slope-Hunter:通过高斯混合模型识别 incidence-only SNP 聚类,用该聚类估计 \( b \),避免了对所有 SNP 独立性的要求。
-
MR-Horse 适应版:通过稀疏先验同时估计 \( b \) 和每个 SNP 的直接效应,允许相关多效性。
模拟结果(来自补充材料描述):模拟覆盖五种选择结构(图 2 的 a-e 面板),每种结构下比较校正前后的偏差、覆盖率和均方误差。关键发现包括:IPW 在权重模型正确时有效但权重极端时效率损失严重;Heckman 在排除限制有效时表现良好但正态假设违反时偏差大;DHO 在独立性成立时最优但违反时可能过度校正;Slope-Hunter 在 incidence-only 聚类清晰时接近 DHO 且更稳健;MR-Horse 在稀疏性成立时表现最好但计算成本高。
真实数据例子:文中没有报告新的真实数据 GWAS 分析,但引用了 UK Biobank 中的实证研究(引 [19,52,53])作为选择偏差存在及其影响的证据。本文的"例子"主要是模拟数据,用于说明每种方法的使用流程。
🔎 结论是否比证明窄¶
是,存在明显的不对称。具体表现:
-
模拟范围有限:文中模拟(补充材料 2)每种选择结构只用一个固定种子、单一参数设定("each scenario is a single replicate with a fixed seed"),没有系统变化选择强度、样本量、遗传力等参数。因此,文中关于"哪种方法在何种条件下最优"的结论,其证据基础是有限的。
-
假设检验的缺失:文中承认所有校正方法的假设不可检验(如 IPW 的 no unmeasured confounding of selection),但没有提供系统的敏感性分析方法来量化假设偏离的影响。Smith & VanderWeele 的 bounding 方法(引 [74])被提及但未纳入决策框架。
-
汇总统计层面的局限:文中指出"Summary-level corrections for index event bias differ mainly in their assumptions about pleiotropy",但没有给出如何在实际数据中评估这些假设的指导。MR-Horse 的 prior 选择(Beta(3,1))被描述为"chosen for chronic kidney disease",暗示其不可移植性,但没有讨论 prior 选择错误的后果。
-
未覆盖的偏差形式:文中明确排除了 SNP 分型错误、基因型插补偏差、以及选择与基因-环境交互的交互作用。这些在真实 GWAS 中可能同样重要。
值得注意的过度声称:文中提出"applying methods with different assumptions and comparing results indicates whether a conclusion depends on a particular assumption"——这本质上是三角互证(triangulation,引 [76])的逻辑。但三角互证的有效性取决于方法间的假设差异是否足够大,文中没有给出判断标准。
四、开放问题¶
以下开放问题均扎根于文中具体语句,供研究者自行判断价值与可行性:
-
可检验的敏感性分析框架。文中承认 IPW 的权重模型"cannot be empirically verified"(引 [37]),但没有提供系统的敏感性分析方法。Smith & VanderWeele 的 bounding 方法(引 [74])被提及但未整合进决策框架。扎根点:Table 1 中 IPW 的"Key assumption"列。要确认这是否为真 gap,可去读 Smith & VanderWeele (2018) 及其后续引用,看是否有将 bounding 方法推广到 GWAS 汇总统计的工作。
-
多生物库元分析中的选择偏差叠加。文中讨论了单一生物库的选择偏差,但现代 GWAS 元分析(如 GWAS Catalog、FinnGen 与 UKB 的联合分析)涉及多个具有不同选择机制的样本。扎根点:文中对 UKB、MVP、China Kadoorie 的并列讨论(引 [2,3,4,22]),但没有讨论它们的选择机制如何交互。这是一个明显的未开发地带。
-
选择偏差对下游分析的传播机制。文中提到选择偏差"can propagate into downstream Mendelian randomization (MR), PGS and genetic correlation analyses",但没有给出传播的数学刻画。扎根点:Introduction 最后一段。具体问题可以是:选择偏差对 MR 估计的影响是否可以用偏差斜率 \( b \) 的传播来刻画?这需要将本文的偏差分解公式嵌入 MR 的估计框架。
-
性别差异参与偏差的机制建模。文中将性别差异参与作为独立的选择形式(图 2d),但 Pirastu 等人(引 [6])发现的 158 个位点提示这种偏差有复杂的遗传结构。扎根点:文中对 sex-differential participation 的处理是"分层分析",但没有讨论分层后统计功效损失与偏差校正的权衡。
-
汇总统计层面的非参数校正。文中所有汇总统计方法(DHO、Slope-Hunter、MR-Horse)都依赖线性模型和参数假设。扎根点:文中对 DHO 的"linear and additive SNP effects"假设的讨论。是否存在不依赖线性假设的汇总统计校正方法?这可能需要将非参数识别策略(如断点回归、工具变量)引入 GWAS 汇总统计框架。
确认 gap 的建议:要判断上述哪条是真 gap,去读近 5 年(2021-2026)的 Nature Genetics、American Journal of Human Genetics、Genetic Epidemiology 中关于 selection bias 的论文引言——如果多篇都指向同一个未解决问题,那就是共识性 gap;如果各篇各说各话,则可能是机会也可能是伪 gap。
Maintained by 陈星宇 · Homepage · Source on GitHub