Análisis de rasgos complejos a nivel genómico

El análisis de rasgos complejos a nivel genómico ( GCTA ) y el método de máxima verosimilitud restringida basado en el genoma ( GREML ) son métodos estadísticos para la estimación de la heredabilidad en genética, que cuantifican la contribución aditiva total de un conjunto de variantes genéticas a un rasgo. El GCTA se aplica típicamente a polimorfismos de un solo nucleótido ( SNP ) comunes en una matriz de genotipado (o "chip") y, por lo tanto, se denomina heredabilidad de "chip" o "SNP".

GCTA opera cuantificando directamente la similitud genética aleatoria de individuos no emparentados y comparándola con su similitud medida en un rasgo; si dos individuos no emparentados son relativamente similares genéticamente y también tienen mediciones de rasgos similares, entonces es probable que la genética medida influya causalmente en ese rasgo, y la correlación puede indicar hasta cierto punto en qué medida. Esto se puede ilustrar graficando las diferencias cuadradas de rasgos entre pares de individuos frente a su grado estimado de parentesco. ^{[ 1 ]} GCTA hace una serie de supuestos de modelado y si estos supuestos se cumplen y cuándo se cumplen sigue siendo objeto de debate.

El marco GCTA también se ha ampliado de varias maneras: cuantificando la contribución de múltiples categorías de SNP (es decir, partición funcional); cuantificando la contribución de las interacciones gen-ambiente; cuantificando la contribución de los efectos no aditivos/no lineales de los SNP; y análisis bivariados de múltiples fenotipos para cuantificar su covarianza genética (coheredabilidad o correlación genética ).

Las estimaciones de GCTA tienen implicaciones para el potencial de descubrimiento de los estudios de asociación de genoma completo (GWAS) , así como para el diseño y la precisión de las puntuaciones poligénicas . Las estimaciones de GCTA de variantes comunes suelen ser sustancialmente más bajas que otras estimaciones de heredabilidad total o en sentido estricto (como las de estudios de gemelos o de parentesco), lo que ha contribuido al debate sobre el problema de la heredabilidad faltante .

La estimación en biología/cría animal utilizando métodos estándar ANOVA / REML de componentes de varianza tales como heredabilidad, ambiente compartido, efectos maternos, etc., generalmente requiere individuos con parentesco conocido, como padre/hijo; esto a menudo no está disponible o los datos de pedigrí no son confiables, lo que lleva a la incapacidad de aplicar los métodos o requiere un control estricto de laboratorio de toda la cría (lo que amenaza la validez externa de todas las estimaciones), y varios autores han señalado que el parentesco podría medirse directamente a partir de marcadores genéticos (y si los individuos estuvieran razonablemente emparentados, económicamente se tendrían que obtener pocos marcadores para obtener potencia estadística), lo que llevó a Kermit Ritland a proponer en 1996 que el parentesco por pares medido directamente podría compararse con mediciones de fenotipos por pares (Ritland 1996, "A Marker-based Method for Inferences About Quantitative Inheritance in Natural Populations" Archivado el 11-06-2009 en Wayback Machine ^{[ 2 ]} ).

A medida que los costos de secuenciación del genoma disminuyeron drásticamente durante la década de 2000, se hizo posible obtener suficientes marcadores en suficientes sujetos para obtener estimaciones confiables utilizando individuos con parentesco muy lejano. Una aplicación temprana del método a humanos fue realizada por Visscher et al. 2006 ^{[ 3 ]} /2007, ^{[ 4 ]} , que utilizó marcadores SNP para estimar el parentesco real de hermanos y estimar la heredabilidad a partir de la genética directa. En humanos, a diferencia de las aplicaciones originales en animales/plantas, el parentesco generalmente se conoce con alta confianza en la "población silvestre", y el beneficio de GCTA está más relacionado con evitar los supuestos de los diseños clásicos de genética del comportamiento y verificar sus resultados, y particionar la heredabilidad por clase de SNP y cromosomas. El primer uso de GCTA propiamente dicho en humanos se publicó en 2010, encontrando que el 45% de la varianza en la altura humana puede explicarse por los SNP incluidos. ^{[ 5 ] [ 6 ]} (Grandes estudios GWAS sobre la altura han confirmado desde entonces la estimación. ^{[ 7 ]} ) El algoritmo GCTA fue descrito y se publicó una implementación de software en 2011. ^{[ 8 ]} Desde entonces se ha utilizado para estudiar una amplia variedad de rasgos biológicos, médicos, psiquiátricos y psicológicos en humanos, e inspiró muchos enfoques variantes.

1. Inferencia limitada: Las estimaciones de GCTA son inherentemente limitadas, ya que no pueden estimar la heredabilidad en sentido amplio como los estudios de gemelos/familias, puesto que solo estiman la heredabilidad debida a los SNP. Por lo tanto, si bien sirven como una verificación crítica de la imparcialidad de los estudios de gemelos/familias, las GCTA no pueden reemplazarlos para estimar las contribuciones genéticas totales a un rasgo.
2. Requisitos de datos sustanciales: el número de SNP genotipados por persona debería ser de miles e idealmente de cientos de miles para estimaciones razonables de similitud genética (aunque esto ya no es un problema para los chips comerciales actuales que por defecto utilizan cientos de miles o millones de marcadores); y el número de personas, para estimaciones algo estables de heredabilidad plausible de SNP, debería ser al menos n >1000 e idealmente n >10000. ^{[ 11 ]} En cambio, los estudios de gemelos pueden ofrecer estimaciones precisas con una fracción del tamaño de la muestra.
3. Ineficiencia computacional: La implementación original de GCTA no escala bien con el aumento del tamaño de los datos (${\displaystyle {\mathcal {O}}({\text{SNPs}}\cdot n^{2})}$), por lo que incluso si se dispone de datos suficientes para estimaciones precisas de GCTA, la carga computacional puede ser inviable. GCTA puede ser meta-analizado como un meta-análisis estándar de efectos fijos ponderado por precisión, ^{[ 12 ]} por lo que los grupos de investigación a veces estiman cohortes o subconjuntos y luego los combinan meta-analíticamente (a costa de una complejidad adicional y cierta pérdida de precisión). Esto ha motivado la creación de implementaciones más rápidas y algoritmos variantes que hacen supuestos diferentes, como el uso de coincidencia de momentos . ^{[ 13 ]}
4. Necesidad de datos brutos: GCTA requiere similitud genética de todos los sujetos y, por lo tanto, su información genética bruta; debido a preocupaciones de privacidad, los datos individuales de los pacientes rara vez se comparten. GCTA no se puede ejecutar en las estadísticas resumidas informadas públicamente por muchos proyectos GWAS, y si se combinan múltiples estimaciones de GCTA, se debe realizar un metaanálisis . En contraste, existen técnicas alternativas que operan en resúmenes informados por GWAS sin requerir los datos brutos ^{[ 14 ]} por ejemplo, " regresión de puntuación LD " ^{[ 15 ]} contrasta las estadísticas de desequilibrio de ligamiento (disponibles en conjuntos de datos públicos como 1000 Genomes ) con los tamaños del efecto resumidos públicos para inferir la heredabilidad y estimar correlaciones/superposiciones genéticas de múltiples rasgos. El Broad Institute administra LD Hub Archived 2016-05-11 en Wayback Machine que proporciona una interfaz web pública para >=177 rasgos con regresión de puntuación LD. ^{[ 16 ]} Otro método que utiliza datos resumidos es HESS. ^{[ 17 ]}
5. Los intervalos de confianza pueden ser incorrectos, o estar fuera del rango de heredabilidad de 0 a 1, y ser muy imprecisos debido a la asintótica. ^{[ 18 ]}
6. Subestimación de la heredabilidad de los SNP: GCTA asume implícitamente que todas las clases de SNP, más raros o más comunes, más nuevos o más antiguos, con mayor o menor desequilibrio de ligamiento, tienen los mismos efectos en promedio; en humanos, las variantes más raras y más nuevas tienden a tener efectos mayores y más negativos ^{[ 19 ],} ya que representan una carga mutacional que se elimina mediante selección negativa . Al igual que con el error de medición, esto sesgará las estimaciones de GCTA hacia la subestimación de la heredabilidad.

GCTA proporciona una estimación imparcial de la varianza total del fenotipo explicada por todas las variantes incluidas en la matriz de parentesco (y cualquier variación correlacionada con esos SNP). Esta estimación también puede interpretarse como la máxima precisión predictiva (R²) que podría alcanzarse con un predictor lineal utilizando todos los SNP de la matriz de parentesco. Esta última interpretación es particularmente relevante para el desarrollo de puntuaciones de riesgo poligénico, ya que define su máxima precisión. Las estimaciones de GCTA a veces se malinterpretan como estimaciones de la heredabilidad total (o en sentido estricto, es decir, aditiva), pero esto no es una garantía del método. Las estimaciones de GCTA también se malinterpretan a veces como "límites inferiores" de la heredabilidad en sentido estricto, pero esto también es incorrecto: primero, porque las estimaciones de GCTA pueden estar sesgadas (incluso al alza) si se incumplen los supuestos del modelo; y segundo, porque, por definición (y cuando se cumplen los supuestos del modelo), GCTA puede proporcionar una estimación insesgada de la heredabilidad en sentido estricto si todas las variantes causales se incluyen en la matriz de parentesco. Por lo tanto, la interpretación de la estimación de GCTA en relación con la heredabilidad en sentido estricto depende de las variantes utilizadas para construir la matriz de parentesco.

Con mayor frecuencia, GCTA se ejecuta con una única matriz de parentesco construida a partir de SNP comunes y no capturará (o no capturará completamente) la contribución de los siguientes factores:

1. Cualquier variante rara o de baja frecuencia que no haya sido genotipada/imputada directamente.
2. Cualquier efecto genético no lineal, de dominancia o epistático. Cabe destacar que GCTA puede extenderse para estimar la contribución de estos efectos mediante matrices de parentesco más complejas.
3. Los efectos de las interacciones gen-ambiente. Cabe destacar que GCTA puede extenderse para estimar la contribución de las interacciones GxE cuando se conoce el E, mediante la inclusión de componentes de varianza adicionales.
4. Variantes estructurales, que normalmente no se genotipifican ni se imputan.
5. Error de medición: GCTA no modela ninguna incertidumbre o error en el rasgo medido.

GCTA se basa en varias suposiciones del modelo y puede producir estimaciones sesgadas bajo las siguientes condiciones:

1. La distribución de las variantes causales difiere sistemáticamente de la distribución de las variantes incluidas en la matriz de parentesco (incluso si todas las variantes causales están incluidas en dicha matriz). Por ejemplo, si las variantes causales presentan sistemáticamente una frecuencia mayor o menor, o una correlación mayor o menor que todas las variantes genotipadas, esto puede generar un sesgo al alza o a la baja, dependiendo de la relación entre las variantes causales y las variantes utilizadas. Se han propuesto diversas extensiones de GCTA (por ejemplo, GREML-LDMS) para tener en cuenta estos cambios en la distribución.
2. La estratificación poblacional no se explica completamente mediante las covariables. GCTA (específicamente GREML) considera la estratificación mediante la inclusión de covariables de efectos fijos, generalmente componentes principales. Si estas covariables no capturan completamente la estratificación, la estimación de GCTA estará sesgada, generalmente al alza. Considerar la estructura poblacional reciente es particularmente difícil en estudios de variantes raras.
3. Parentesco genético o ambiental residual presente en los datos. GCTA asume una población homogénea con un término ambiental independiente e idénticamente distribuido. Esta suposición se incumple si se incluyen en los datos individuos emparentados o con entornos sustancialmente compartidos. En este caso, la estimación de GCTA capturará adicionalmente la contribución de cualquier variación genética correlacionada con el parentesco genético: ya sean efectos genéticos directos o efectos ambientales correlacionados.
4. La presencia de efectos genéticos "indirectos". Cuando las variantes genéticas presentes en la matriz de parentesco se correlacionan con variantes presentes en otros individuos que influyen en el entorno del participante, dichos efectos también se incluirán en la estimación GCTA. Por ejemplo, si las variantes heredadas por un participante de su madre influyeron en su fenotipo a través de su entorno materno, el efecto de dichas variantes se incluirá en la estimación GCTA, aunque sea "indirecto" (es decir, mediado por la genética parental). Esto puede interpretarse como un sesgo al alza, ya que estos efectos "indirectos" no son estrictamente causales (modificarlos en el participante no produciría un cambio en el fenotipo esperado).

El paquete de software original "GCTA" es el más utilizado; su funcionalidad principal abarca la estimación GREML de la heredabilidad de los SNP, pero incluye otras funcionalidades:

• Estimar la relación genética a partir de polimorfismos de un solo nucleótido (SNP) en todo el genoma;
• Estimar el coeficiente de consanguinidad a partir de polimorfismos de un solo nucleótido (SNP) en todo el genoma;
• Estimar la varianza explicada por todos los SNP autosómicos ;
• Dividir la varianza genética en cromosomas individuales;
• Estimar la varianza genética asociada al cromosoma X;
• Analizar el efecto de la compensación de dosis sobre la varianza genética en el cromosoma X ;
• Predecir los efectos genéticos aditivos a nivel genómico para sujetos individuales y para SNP individuales;
• Estimar la estructura de desequilibrio de ligamiento (LD) que abarca una lista de SNP objetivo;
• Simular datos de GWAS basándose en los datos de genotipo observados;
• Convertir los datos brutos de genotipado de Illumina al formato PLINK ;
• Análisis condicional y conjunto de estadísticas resumidas de GWAS sin datos de genotipo a nivel individual.
• Estimación de la correlación genética entre dos rasgos (enfermedades) utilizando datos de SNP.
• Análisis de asociación de modelos lineales mixtos

Otras implementaciones y algoritmos variantes incluyen:

• FAST-LMM ^{[ 21 ]}
• FAST-LMM-Select: ^{[ 22 ]} similar a GCTA en el uso de regresión de cresta ^{[ 23 ]} pero incluyendo selección de características para intentar excluir SNP irrelevantes que solo añaden ruido a las estimaciones de parentesco.
• LMM- Lasso ^{[ 24 ]}
• GEMMA ^{[ 25 ]}
• EMMAX ^{[ 26 ]}
• REACTA (anteriormente ACTA) Archivado el 23/05/2016 en Wayback Machine afirma reducciones de tiempo de ejecución de un orden de magnitud ^{[ 27 ] [ 28 ]}
• BOLT-REML /BOLT-LMM ^{[ 29 ]} ( manual archivado el 11/06/2016 en Wayback Machine ), escalado más rápido y mejor; ^{[ 30 ]} con una eficiencia potencialmente mejor en el escenario de metaanálisis ^{[ 31 ]}
• MEGHA ^{[ 32 ]}
• PLINK >1.9 (diciembre de 2013) admite "el uso de matrices de parentesco genético en análisis de asociación de modelos mixtos y otros cálculos".
• LDAK: ^{[ 33 ]} flexibiliza la suposición de GCTA de que todos los SNP, independientemente de la calidad o frecuencia del genotipado, tienen el mismo efecto esperado promedio, lo que permite potencialmente encontrar mucha más heredabilidad de SNP.
• GREML-IBD: ^{[ 34 ]} GCTA para identidad por descendencia , que intenta estimar la heredabilidad basándose en segmentos de genoma compartidos en parientes lejanos que de otro modo no estarían relacionados, con el fin de capturar el efecto de variantes más raras que no se miden mediante paneles de SNP o se imputan de otro modo.

• Cría de animales
• Mejor predicción lineal insesgada
• aleatorización mendeliana
• Pleiotropía
• " La correlación entre parientes bajo la suposición de herencia mendeliana ", Fisher 1918

• "Revisión de investigación: Métodos poligénicos y su aplicación a rasgos psiquiátricos" , Wray et al., 2014
• "Heredabilidad en la era de la genómica: conceptos y conceptos erróneos" Archivado el 22 de mayo de 2016 en Wayback Machine , Visscher et al. 2008
• "Descubriendo las arquitecturas genéticas de los rasgos cuantitativos" , Lee et al., 2016
• "Estimación de la heredabilidad mediante datos genómicos" , Stanton-Geddes et al. 2013
• "MultiBLUP: predicción mejorada basada en SNP para rasgos complejos" , Speed ​​& Balding 2012
• "Ventajas y desventajas en la aplicación de métodos de asociación de modelos mixtos" , Yang et al., 2013
• "Predicción del valor genético total mediante mapas de marcadores densos a nivel genómico" , Meuwissen et al. 2001
• "Comprender y utilizar la variación genética cuantitativa" , Hill 2009
• "Cien años de desarrollo estadístico en la cría de animales" , Gianola y Rosa, 2015
• "Condiciones para la validez de la estimación de la heredabilidad basada en SNP" , Lee y Chow, 2014
• "Medición de la heredabilidad faltante: Inferencia de la contribución de variantes comunes" , Golan et al. 2014
• "Conceptos, estimación e interpretación de la heredabilidad basada en SNP" , Yang et al. 2017
• Maier et al. 2017, "Abrazando la poligénesis: una revisión de métodos y herramientas para la investigación en genética psiquiátrica"
• Ronald y Pain 2018, "Una revisión sistemática de la investigación genómica sobre experiencias psicóticas y rasgos de síntomas negativos: nuevas revelaciones e implicaciones para la psiquiatría"

• Calculadora de potencia GCTA-GREML ( "Potencia estadística para detectar la (co)varianza genética de rasgos complejos utilizando datos SNP en muestras no relacionadas" , Visscher et al. 2014)
• "Genómica, macrodatos, medicina y rasgos complejos" (Charla de Peter Visscher)
• "Las arquitecturas genéticas de los rasgos psicológicos" , diapositivas de Lee, 2014
• "Modelos basados ​​en la heredabilidad para la predicción de rasgos complejos" , David Balding. Archivado el 8 de octubre de 2016 en Wayback Machine 2015.