Polygenic-by-Environment Adjustment for Binary GWAS with Out-of-Fold Block-PRS and Low-Rank Bilinear Models

Motivation

• Known: 표준 GWAS 파이프라인은 age, sex, ancestry PC 등 covariate와 genome-wide additive polygenic score를 보정 항으로 사용하며, DeepNull과 같은 방법은 비선형 covariate 주효과를 학습해 검정력을 향상시키고, mixed-model 방법들은 LOCO 기반 additive polygenic adjustment로 근접 오염(proximal contamination)을 방지한다.
• Gap: 기존 방법은 SNP×exposure 스캔처럼 개별 상호작용 loci를 직접 탐색하려 하면 다중검정 부담이 크고 검정력이 낮으며, 반대로 확장 가능한 additive polygenic adjustment 방법들은 exposure에 의존하는 다유전자 상호작용 효과를 전혀 반영하지 못한다는 간극이 존재한다.
• Why: 널리 퍼져있고 미약한 polygenic G×E 구조를 무시하면 residual heterogeneity가 남아 GWAS의 검정력을 낮추고 calibration을 왜곡할 수 있으므로, 개별 SNP×environment 발견을 시도하지 않으면서도 이러한 nuisance 구조를 스케일 가능하게 보정하는 방법은 biobank 규모 binary-trait 연구의 실질적 검정력과 신뢰성을 높이는 데 중요하다.
• Approach: 각 test chromosome에 대해 해당 chromosome을 제외한 블록들로부터 ridge 기반 out-of-fold block-level PRS를 구성하고, 이를 환경 변수와 결합한 low-rank bilinear neural network로 phenotype logit을 환경 주효과, additive polygenic 효과, exposure-modulated polygenic interaction 항으로 분해한 뒤 chromosome-wise logistic score test의 covariate로 포함시킨다.

Achievement

Figure 3. Interaction-specific power gains. Mean relative gain

1. 검정력 향상: polygenic interaction이 존재하는 시뮬레이션에서 additive block-PRS adjustment 대비 최대 4.5% 높은 genome-wide power를 달성했다.
2. 원인 신호 증대: causal variant에서의 mean χ2 통계량이 최대 6.9% 향상되어 상호작용이 존재하는 상황에서 실제 신호 포착 능력이 개선되었음을 보였다.
3. calibration 유지: interaction이 없는 null 환경에서는 이득이 사라지거나 다소 보수적으로 작동해, 모델이 일반적인 overfitting이 아니라 상호작용 특이적 구조를 포착함을 뒷받침했다.
4. 해석 가능한 메커니즘 복원: 학습된 gate가 시뮬레이션에 사용된 환경 조절 함수(environmental modulation function)를 정성적으로 복원하여, additive 및 variance-component baseline에서는 얻을 수 없는 해석 가능한 표현을 제공했다.

How

Figure 1. Overview of the proposed G×E-aware GWAS adjustment pipeline. Genotypes and exposures are used to generate

• 유전형 X(SNP×개체)와 chromosome map을 이용해 genomic block 단위로 ridge regression 기반 block-level PRS를 구성.
• 각 test chromosome c에 대해 그 chromosome이 포함된 block을 제외한 predictor만 사용하는 leave-one-chromosome-out(LOCO) 방식으로 cross-fitting 수행.
• 신경망 adjuster가 phenotype logit을 (i) 환경 주효과, (ii) additive block-PRS 항, (iii) block-PRS feature와 환경 변수 간 low-rank bilinear interaction 항으로 명시적으로 분해.
• 학습된 세 항을 chromosome-wise logistic score test의 null model에 covariate로 추가해 downstream 단일 SNP 연관성 검정을 수행.
• naive GWAS, additive block-PRS adjustment, random Fourier features 기반 variance-component proxy(kernel-machine 근사) 세 가지 baseline과 비교.
• biobank-inspired 시뮬레이션에서 realistic allele-frequency 및 linkage 구조를 사용해 null/weak/moderate interaction 강도별 phenotype을 생성하여 평가.

Originality

• 기존 SNP×exposure discovery나 additive-only polygenic adjustment와 달리, 개별 loci 발견을 포기하고 dnuisance adjustment 자체를 학습 대상으로 삼는 문제 재정의(reformulation)를 제시함.
• environmental main effect, additive polygenic effect, polygenic-by-environment interaction을 명시적으로 분리하는 low-rank bilinear neural architecture를 GWAS nuisance adjustment 맥락에 처음 도입.
• OOF block-level PRS와 LOCO 보호를 cross-fitted neural adjustment와 결합하여 downstream score test의 통계적 타당성을 유지하도록 설계.

Limitation & Further Study

• 실제 biobank 데이터가 아닌 시뮬레이션 데이터에서만 검증되어, 실제 population structure, 측정 오차, 다중 exposure 상호작용 등 현실적 복잡성 하에서의 성능은 불확실함.
• low-rank bilinear 구조가 실제 G×E 상호작용의 형태를 얼마나 잘 근사하는지, rank 선택이나 environmental feature 수가 늘어날 때의 확장성에 대한 분석이 부족함.
• 발췌된 부분에서는 method 세부 사항(신경망 구조, hyperparameter, 학습 안정성)과 다양한 실제 질병 표현형에 대한 검증이 제한적으로만 제시됨.
• 후속 연구로는 실제 biobank 데이터 적용, 다중 exposure 및 non-linear 환경 효과로의 확장, 그리고 학습된 interaction 항의 통계적 유의성 검정 방법론 개발이 필요함.

Evaluation

총평: binary GWAS에서 polygenic G×E를 다루는 실용적이고 확장 가능한 nuisance adjustment 프레임워크를 제안하며, 시뮬레이션에서 calibration을 유지하면서 검정력과 해석가능성을 동시에 개선한 점이 인상적이나 실제 데이터 검증이 향후 과제로 남는다.