跳转至

Powerful Large-scale Inference in High Dimensional Mediation Analysis

讲者: Xinyu Zhang
会场: Network and Graphical Models and Tensor and Matrix Methods
报告题目: Modeling and Inference for High-Dimensional Mediation Analysis with Endogeneity
链接: arXiv
来源: JCSDS 2026 · 返回会议总览

一、领域脉络与小综述

这个方向是什么

本文所解决的子方向是高维中介分析中的大规模假设检验问题。其根本的统计问题是：在基因组学研究中（如GWAS、表观遗传学），研究者需要同时检验成千上万个候选中介变量（如DNA甲基化位点）是否介导了暴露（如吸烟、SNP）对结局（如基因表达、疾病状态）的因果效应。每个检验的零假设是复合的（composite null）：H0: α_i * β_i = 0，其中α_i是暴露对第i个中介的效应，β_i是该中介对结局的效应。该零假设包含三种子情形：α_i=0且β_i≠0、α_i≠0且β_i=0、α_i=0且β_i=0。传统检验（如Sobel检验、Max-P检验）在第三种子情形下保守，导致功效不足。该方向当前的核心挑战是：如何在控制FDR的前提下，为大量复合零假设设计一个理论上最优（即最大化发现数）的检验程序。

发展脉络（history）

  1. 奠基工作：经典中介分析与复合零假设的识别

    • Baron & Kenny (1986)：引入回归系数的乘积法（product of coefficients），奠定了中介分析的基本框架。
    • Sobel (1982)：提出Sobel检验，基于Delta方法检验αβ=0，但其零分布假设α和β均非零，在α=0或β=0时保守。
    • MacKinnon et al. (2002)：提出Max-P检验（取α和β的p值中的较大者），同样在复合零假设下保守。
    • Valeri & VanderWeele (2013)：将中介分析扩展到反事实框架，处理非线性、二元结局等，但未解决高维多重检验问题。

  2. 主要进展：针对复合零假设的FDR控制方法

    • Liu et al. (2022) (DACT)：提出Divide-Aggregate Composite-null Test，分别估计α_i=0和β_i=0的比例，然后组合p值。但Yang et al. (2025) (MDACT) 指出DACT在密集备择假设下存在FDR膨胀，并提出了修正版本（通过数值积分计算统计量的分布）。
    • Dai et al. (2022) (HDMT / JS-mixture)：提出基于最大p值的混合零分布方法，估计零假设的组分比例，并应用Storey (2002)的FDR控制程序。这是当前被广泛引用的基准方法。
    • Sun et al. (2023) (csmGmm) 和 Ding & Zhu (2024) (AMDP)：开始利用局部FDR（local FDR）进行检验。Sun et al.用条件对称高斯混合近似备择分布；Ding & Zhu基于p值构建局部FDR区域。这些工作标志着从p值方法向局部FDR方法的转变。

  3. 当前Frontier与本文位置

    • 当前frontier是：能否将理论上最优的局部FDR方法（Sun & Cai, 2007）应用于高维中介分析的复合零假设场景，并给出严格的理论保证（包括EM估计的收敛性和FDR控制）。
    • 本文（Roy & Zhang, 2024, MLFDR） 声称填补了这一空白。其核心贡献是：(i) 为(α, β)系数引入一个一般性的高斯混合先验，并用EM算法精确估计后验密度（而非近似）；(ii) 为EM估计的局部FDR提供了理论保证（包括Wasserstein距离下的收敛性和FDR控制），这是此前工作（如Sun et al., 2023）未建立的。

子线索聚类

  1. p值方法与混合零分布：以DACT (Liu et al., 2022)、HDMT/JS-mixture (Dai et al., 2022) 为代表。核心思路是估计零假设的组分比例，然后基于p值（如最大p值）进行FDR控制。优点是计算简单，但理论上不是最优的（Sun & Cai, 2007）。
  2. 局部FDR方法：以Sun et al. (2023) (csmGmm)、Ding & Zhu (2024) (AMDP) 和本文的MLFDR为代表。核心思路是计算每个假设的后验零概率（局部FDR），并基于此排序和选择。理论上，当备择分布不对称时，局部FDR方法比p值方法有更高的功效（Sun & Cai, 2007）。
  3. 高维中介分析的扩展设定：包括处理生存结局（Zhang et al., 2021; Yu et al., 2021; Perera et al., 2022）、处理未测量混杂（本文第4.2节，使用替代变量分析SVA）等。这些工作主要关注模型扩展，而非多重检验方法的理论最优性。

这个方向在追问的核心问题

  1. 如何为复合零假设设计一个理论上最优的检验程序？ 当前主流方法（DACT, HDMT）基于p值，但局部FDR理论（Sun & Cai, 2007）表明，基于后验概率的排序在非对称备择下更优。
  2. 如何在高维、稀疏的基因组学数据中准确估计零假设的组分比例（π00, π10, π01）？ 这是所有方法（包括DACT, HDMT, MLFDR）的核心挑战，估计不准会导致FDR失控或功效损失。
  3. 如何为EM算法估计的局部FDR提供严格的渐近理论保证？ 这是本文声称的主要理论贡献，也是此前局部FDR方法（如Sun et al., 2023）所缺乏的。
  4. 如何处理未测量混杂和水平多效性（pleiotropy）对中介效应检验的影响？ 本文第4.2节通过SVA给出了一个工程解决方案，但理论性质（如对FDR控制的影响）未深入探讨。

⚠️ 作者的framing

  • 作者把缺口frame成什么？ 作者将缺口定位为：现有方法（DACT, HDMT）在理论上不是最优的（基于p值），而局部FDR方法（Sun et al., 2023）虽然方向正确，但存在两个缺陷：(i) 用近似而非精确的后验密度；(ii) 缺乏对EM估计的理论保证。因此，本文的MLFDR是“显然的下一步”：它使用精确后验，并提供理论保证。
  • 哪些竞争路线被他淡化或回避了？ 作者淡化了计算复杂度问题。本文的EM算法（尤其是复合备择下的两步EM）虽然比标准EM快，但相比简单的p值方法（如HDMT）仍然计算量更大。作者在补充材料中承认了这一点，但在正文中未充分讨论其在实际大规模应用（如m=319,761）中的可行性。
  • 什么明显该被引/该存在、却没出现在intro里？ 作者没有引用关于高维中介分析中变量选择（而非多重检验）的文献，例如HIMA (Zhang, 2016) 及其扩展HIMA2 (Perera et al., 2022)。这些工作使用SIS+去偏Lasso来筛选和推断中介变量，与本文的FDR控制方法构成了互补但不同的技术路线。作者在intro中仅提到它们处理生存结局，但未将其作为多重检验的竞争方法进行讨论。这可能是作者有意为之，因为HIMA系列方法的目标是变量选择（控制FWER或FDR），但其检验程序（联合显著性检验）在复合零假设下也是保守的。

张力

  • DACT vs. MDACT：DACT (Liu et al., 2022) 声称控制FDR，但Yang et al. (2025) (MDACT) 通过理论和模拟证明DACT在密集备择下FDR膨胀，并提出了修正。这是一个明确的张力，表明p值方法在复合零假设下的FDR控制并不稳健。
  • p值方法 vs. 局部FDR方法：Sun & Cai (2007) 的理论表明局部FDR方法在非对称备择下最优，但Dai et al. (2022) (HDMT) 等p值方法在实践中表现良好。本文的模拟结果（图2-7）显示MLFDR在大多数设定下功效更高，但优势幅度不大（平均7-12%），且在某些设定下（如稀疏备择）优势更小。这暗示了两种方法之间的张力：理论最优性是否总能转化为显著的实践优势？

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：

    • X: 暴露变量（如吸烟状态），可以是标量或向量。在SNP分析中，X_i 是第i个SNP。
    • M_i: 第i个中介变量（如第i个CpG位点的甲基化水平），i = 1, ..., m。
    • Y_i: 第i个结局变量（如第i个基因的表达水平），i = 1, ..., m。
    • α_i: 暴露 X 对中介 M_i 的效应（回归系数）。参数/estimand。
    • β_i: 中介 M_i 对结局 Y_i 的效应（回归系数），在控制暴露 X 后。参数/estimand。
    • γ_i: 暴露 X 对结局 Y_i 的直接效应。参数。
    • (e_i, ε_i): 中介模型和结局模型的误差项。随机变量。
    • n: 样本量。
    • m: 中介/假设的数量（通常很大，如1000到几十万）。
    • (ˆα_i, ˆβ_i): 基于n个样本的OLS估计量。随机变量/样本。
    • (σ²_{i1}, σ²_{i2}): (ˆα_i, ˆβ_i) 的条件方差（给定X和M_i）。已知/可估计的量。
    • (α_{i,0}, β_{i,0}): 极限分布中的随机变量，用于理论分析。潜在量。
    • ξ_i = (ξ_{i1}, ξ_{i2}): 潜在状态向量，指示 α_i 和 β_i 是否为零。ξ_{i1} = 1{α_i ≠ 0}, ξ_{i2} = 1{β_i ≠ 0}。潜在变量。
    • π_{jk} = P(ξ_i = (j,k)): 潜在状态的先验概率，j,k ∈ {0,1}。参数。
    • (µ, θ, κ, ψ): 非零效应大小的先验分布参数（高斯分布）。参数。
    • lfdr(a_i, b_i): 基于真实参数的局部FDR。目标量。
    • dlfdr(a_i, b_i): 基于EM估计参数的局部FDR。估计量。

  • 模型：

    • 结构方程模型（式11）： M_i = X α_i + e_i Y_i = M_i β_i + X γ_i + ε_i 其中 (e_i, ε_i) ~ N(0, diag(σ²_{i,a}, σ²_{i,b})) 且与 (X, M_i) 独立。
    • 先验模型（式14）： 给定潜在状态 ξ_i，非零效应大小服从高斯分布： √n α_i | (ξ_{i1}=1) ~ N(µ, κ) √n β_i | (ξ_{i2}=1) ~ N(θ, ψ) 零效应时，α_i = 0 或 β_i = 0（退化分布）。
    • 可观测数据：研究者观测到 n 个独立同分布样本 {(X_j, M_{i,j}, Y_{i,j})}_{j=1}^n，其中 i = 1, ..., m。对于每个 i，可以计算OLS估计量 (ˆα_i, ˆβ_i) 及其方差估计 (ˆσ²_{i1}, ˆσ²_{i2})。
    • 不可观测/潜在量：潜在状态 ξ_i 和真实的效应大小 (α_i, β_i) 是不可观测的。我们只能通过 (ˆα_i, ˆβ_i) 的分布来推断它们。

第二步：讲最小内核

本文的核心思路可以浓缩为一个最简特例：假设只有一个中介（m=1），且我们已知 (ˆα, ˆβ) 的方差 (σ²_1, σ²_2)。我们想检验 H0: αβ = 0。

在这个特例下，本文的方法退化为一个两组的贝叶斯分类问题：

  1. 定义四种潜在状态：ξ = (ξ_1, ξ_2) 有四种可能：(0,0), (1,0), (0,1), (1,1)。先验概率分别为 π_{00}, π_{10}, π_{01}, π_{11}。
  2. 写出观测数据的似然：给定 ξ，(ˆα, ˆβ) 的联合分布是已知的（式14）。例如，如果 ξ = (1,1)（即 α≠0, β≠0），则： (ˆα, ˆβ) ~ N( (µ/√n, θ/√n), diag((σ²_1 + κ)/n, (σ²_2 + ψ)/n) ) 如果 ξ = (0,0)，则： (ˆα, ˆβ) ~ N( (0, 0), diag(σ²_1/n, σ²_2/n) )
  3. 计算后验概率（局部FDR）：观测到 (ˆα, ˆβ) 后，我们想知道它属于复合零假设（即 ξ ∈ {(0,0), (1,0), (0,1)}）的后验概率。这就是局部FDR： lfdr(ˆα, ˆβ) = P(ξ ∈ {(0,0), (1,0), (0,1)} | ˆα, ˆβ) = [π_{00} f_{00}(ˆα, ˆβ) + π_{10} f_{10}(ˆα, ˆβ) + π_{01} f_{01}(ˆα, ˆβ)] / f(ˆα, ˆβ) 其中 f_{jk} 是给定状态 (j,k) 下的密度，f 是边际密度。
  4. 决策规则：如果 lfdr(ˆα, ˆβ) ≤ δ，则拒绝 H0。阈值 δ 通过一个step-up过程确定，该过程保证估计的FDR（即所有被拒绝假设的平均局部FDR）不超过预设水平 α。

这个最小内核揭示了本文的核心数学困难：我们需要从 m 个观测 (ˆα_i, ˆβ_i) 中估计出所有未知参数 Θ = {π_{jk}, µ, θ, κ, ψ}，然后才能计算每个 i 的 lfdr。这个估计问题本身就是一个高斯混合模型（GMM）的拟合问题，而EM算法是标准解法。本文的理论贡献在于证明了：当 m 和 n 都趋于无穷时，基于EM估计的 dlfdr 和基于真实参数的 lfdr 足够接近，从而使得基于 dlfdr 的step-up过程能够渐近控制FDR。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在高维中介分析中，如何为复合零假设 H0: αβ = 0 设计一个理论上最优的、能渐近控制FDR的大规模假设检验程序。
  2. 核心工具/方法：提出了MLFDR方法，它基于局部FDR（local FDR）和EM算法。具体地，它为 (α_i, β_i) 的系数估计 (ˆα_i, ˆβ_i) 拟合一个高斯混合模型，用EM算法估计模型参数，然后计算每个假设的后验零概率（局部FDR），最后通过一个step-up过程确定拒绝阈值。
  3. 主要结论：在温和的正则条件下（子高斯性、有限方差、AMLE假设等），MLFDR的oracle和自适应程序都能渐近控制FDR。模拟和真实数据应用表明，MLFDR在控制FDR的同时，比现有方法（MDACT, HDMT）具有更高的统计功效（平均提高7-12%）。

关键设定与假设

  • 核心模型：式(11)的结构方程模型，假设误差独立同分布且与 (X, M_i) 独立。这是标准的中介分析设定。
  • 先验模型：式(14)的高斯混合先验。关键假设是 α_i 和 β_i 在给定潜在状态 ξ_i 下条件独立。这个假设简化了计算，但可能不适用于某些生物学场景（如存在交互作用）。
  • AMLE假设 (A1)：EM估计量是近似最大似然估计（AMLE），即其似然值不低于真实参数的似然值。这是一个技术性假设，用于证明Hellinger距离的收敛性。作者在补充材料中通过模拟验证了该假设在大多数设定下成立。
  • 子高斯性 (A3) 和 有限方差 (A4)：这些是标准的高维统计假设，用于证明方差估计的一致性（Lemma 1）。
  • 临界点存在性 (A5)：存在一个阈值 δ_∞ 使得理论mFDR Q(δ_∞) < α。这确保了step-up过程能找到有效的阈值。
  • 相比已有文献的放宽/强化：
    • 放宽：相比Sun et al. (2023) 用条件对称高斯混合近似备择，本文允许更一般的先验（包括复合备择下的多组分高斯混合）。
    • 强化：本文首次为EM估计的局部FDR提供了理论保证（Lemma 5, 6），这是此前工作（如Sun et al., 2023; Ding & Zhu, 2024）所没有的。

主要结果

  • Theorem 1 (Oracle FDR Control)：在假设(A2)-(A5)下，如果 m, n → ∞ 且 m = o(exp(kn))，则基于真实局部FDR的oracle程序能渐近控制FDR在 α 水平。
  • Theorem 2 (Adaptive FDR Control)：在假设(A1)-(A5)下，如果 m, n → ∞ 且 m = o(exp(kn))，则基于EM估计的局部FDR的自适应程序也能渐近控制FDR在 α 水平。
  • 技术难点：证明的关键在于建立EM估计的收敛性（Lemma 5: W(Ĝ, G) → 0）和估计的局部FDR与真实局部FDR的一致性（Lemma 6）。这需要处理高斯混合模型的可识别性、Hellinger距离与Wasserstein距离的关系，以及方差估计的均匀收敛性（Lemma 1）。

证明路线与技术技巧

整体路线（从假设到结论）：

  1. Step 1: 方差估计的一致性 (Lemma 1)：证明 (ˆσ²_{i1}, ˆσ²_{i2}) 一致收敛到其极限 (σ²_{i1,0}, σ²_{i2,0})。这依赖于子高斯性假设和Bernstein不等式。
  2. Step 2: 局部FDR的收敛性 (Lemma 2, 6)：
    • Lemma 2：证明基于真实参数的 lfdr 的分布函数 G_{jk}(t) 一致收敛到其极限 G^0_{jk}(t)。这利用了Dvoretzky–Kiefer–Wolfowitz不等式和连续映射定理。
    • Lemma 6：证明基于EM估计的 dlfdr 与真实 lfdr 的平均绝对差收敛到0。这是最吃劲的一步，需要用到：
      • AMLE假设：确保EM估计的密度 f̂ 在Hellinger距离下收敛到真实密度 f。
      • Wasserstein距离与TV距离的关系 (Ho & Nguyen, 2016)：将Hellinger距离的收敛转化为参数（均值、方差、混合比例）在Wasserstein距离下的收敛。
      • Lipschitz连续性：证明 f_{11} 和 f 对参数是Lipschitz连续的，从而参数收敛意味着密度函数逐点收敛。
  3. Step 3: Step-up过程的一致性：证明基于 dlfdr 的step-up过程选择的阈值 δ̂_m 与oracle阈值 δ_m 渐近等价。这依赖于Lemma 6和Cao et al. (2022) 的引理，最终得到FDR控制。

关键跳跃点： - 从Hellinger距离到参数收敛：Lemma 5 是核心。它利用Ho & Nguyen (2016) 的强可识别性结果，将Hellinger距离的收敛（由AMLE保证）转化为Wasserstein距离下的参数收敛。这一步需要高斯混合模型是强可识别的，且参数空间有界。 - 从参数收敛到局部FDR一致性：Lemma 6 将参数收敛转化为 dlfdr 的逐点收敛。这需要处理分母 f̂ 可能接近0的问题，作者通过截断（truncation）和事件 A_t 来规避。

技术技巧点名： - Dvoretzky–Kiefer–Wolfowitz不等式：用于证明经验分布函数的一致收敛（Lemma 2）。 - Bernstein不等式：用于证明方差估计的一致收敛（Lemma 1）。 - Wasserstein距离：用于衡量两个混合分布之间的差异，并建立与Hellinger距离的关系（Lemma 5）。 - 覆盖数（Covering Number）：用于控制高斯混合模型函数类的复杂度，从而证明Hellinger距离的收敛速率（Lemma 3, 4）。 - 两步EM算法：用于处理复合备择下的计算负担（Section 6.2, 8.3）。 - 替代变量分析（SVA）：用于处理未测量混杂和水平多效性（Section 4.2）。

真实例子与应用

  • TCGA前列腺癌数据：
    • 数据：495个样本，69,602个SNP-CpG-基因三元组。
    • 方法应用：对每个三元组，用OLS估计SNP对CpG的效应（α）和CpG对基因表达的效应（β），然后应用MLFDR、MDACT和HDMT。
    • 结果：在FDR=0.01时，MLFDR检测到187个显著三元组，MDACT检测到180个，HDMT检测到137个。MLFDR额外检测到的通路包括已知的前列腺癌风险位点（如rs12653946与IRX4）。
    • 说明什么：验证了MLFDR在真实数据中比现有方法有更高的检测功效，且发现的通路有生物学依据。
  • TCGA肺鳞癌数据：
    • 数据：379个样本，319,761个吸烟-CpG-基因通路。
    • 方法应用：类似的两阶段回归，但结局模型是多元线性回归（一个基因对应多个CpG）。
    • 结果：在FDR=0.01时，MLFDR检测到44个通路，MDACT检测到25个，HDMT检测到13个。额外检测到的通路（如WDR66, LY6K）有文献支持。
    • 说明什么：进一步证明了MLFDR在更大规模、更复杂设定下的优势。同时，通过置换检验（图11）验证了MLFDR和HDMT的FDR控制良好，而MDACT在低FDR水平下有膨胀。

🔎 结论是否比证明窄

  • 是。本文的理论证明（Theorem 1, 2）是在简单的高斯混合模型（式14，即 d1=d2=1）下完成的。然而，在真实数据应用（如TCGA前列腺癌数据）中，作者使用了复合备择模型（d2=8），并采用了两步EM算法。对于这个更一般的设定，作者没有提供相应的理论保证。作者在正文中承认了这一点（Section 6.2），并指出两步EM算法会带来轻微的功效损失（补充材料图12）。因此，论文的核心理论贡献（FDR控制的严格证明）只覆盖了最简单的设定，而更复杂的应用场景（复合备择、两步EM）的FDR控制性质是通过模拟和实证验证的，而非严格证明的。

四、开放问题

  1. 复合备择下的理论保证：本文的理论证明（Theorem 1, 2）仅针对 d1=d2=1 的简单高斯混合模型。对于更一般的复合备择（d1, d2 > 1），能否给出类似的FDR控制的理论保证？这需要处理更复杂的可识别性问题和EM算法的收敛性。扎根点：Section 6.2 引入了复合备择模型，但未提供相应的理论定理。
  2. 两步EM算法的理论性质：两步EM算法（Section 6.2）在计算上更高效，但作者仅通过模拟展示了其轻微的功效损失。能否从理论上刻画这种损失？两步EM是否仍然满足AMLE性质？其FDR控制是否与标准EM一致？扎根点：补充材料Section 8.4 比较了标准EM和两步EM，但未给出理论分析。
  3. SVA调整对FDR控制的影响：本文第4.2节使用SVA处理未测量混杂，但未分析SVA的估计误差如何传播到最终的FDR控制。SVA的引入是否会破坏FDR控制的渐近性质？扎根点：Section 4.2 提出了SVA扩展，但理论部分（Section 7）并未考虑SVA。
  4. 更一般的依赖结构：本文假设 (ˆα_i, ˆβ_i) 在给定 X 和 {M_i} 下是条件独立的。在基因组学中，中介变量（如相邻的CpG位点）可能存在强相关性。这种依赖结构如何影响局部FDR的估计和FDR控制？扎根点：本文的证明（如Lemma 2）依赖于条件独立性假设。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论