畢文健等開發針對大樣本兩基因組分析的算法——SPAGE

　　復雜疾病的發生與發展不能完全由遺傳變異來解釋，而是遺傳變異和環境因素共同作用的結果。基于關聯分析找出基因與環境的交互作用（GxE effect）有助于我們了解疾病的發病機制和設計個體化治療方案。但是這種交互作用的關聯性較弱，因此常常需要較大的數據樣本才能達到足夠的檢驗效能。最近幾年，隨著測序技術和電子健康記錄（Electroic Health Record, EHR）的發展，很多大型的生物樣本資源庫（Biobank）為研究者提供了非常詳盡的大樣本信息。比如UK-Biobank就收集了50萬個樣本的全基因組DNA測序信息，疾病診斷信息，以及環境因素信息。這使得我們可以在全基因組（genome-wide）乃至于全表型組（phenome-wide）尺度下進行基因與環境的交互作用（GxE）關聯分析。然而，樣本量的大量增長對全基因組關聯分析算法的運算速度提出了更嚴苛的要求。比如，當分析40萬樣本數據時，一次邏輯回歸（logistic regression）大約需要1.7秒，而幾百萬次邏輯回歸則需要數月的運算時間。因此我們必須設計新的算法來進行大樣本量下的全基因組GxE分析。

　　2019年11月14日，密歇根大學Seunggeun Lee團隊（第一作者為畢文健博士）在The American Journal of Human Genetics雜志上發表文章A Fast and Accurate Method for Genome-Wide Scale Phenome-Wide G x E Analysis and Its Application to UK Biobank，提出了一個針對于大樣本量全基因組GxE 分析的新算法SPAGE。

　　該算法利用條件期望構造了一種新的Score統計量并利用鞍點逼近法（saddlepoint approximation）來計算統計p值。對于一次全基因組GxE分析，SPAGE只需要在零假設下進行一次邏輯回歸，這極大提升了運算速度。數值模擬結果顯示SPAGE比Wald檢驗快33-79倍，比Firth’s test 快72-439倍。因此，對于一次全基因組GxE分析，運算時間可以從幾個月降低到幾天甚至幾小時。另一方面，在Biobank中，大部分疾病的病例對照（case-control）比例很低，比如UK-Biobank中約有84.8% （1,431/1,688）的疾病的病例對照比例低于1:100。如果使用傳統的正態分布近似（normal approximation），這種病例對照不平衡會導致大量的假陽性結果。本文使用鞍點逼近法來計算p值，這種近似方法相對于正態分布近似更準確，所以可以更好的控制第一類錯誤率，避免假陽性結果。數值模擬結果顯示，即使在高度的病例對照不平衡（1:100）下針對罕見變異（MAF=0.001）的分析，SPAGE仍然可以非常好地控制第一類錯誤率，同時具有相當高的統計效能。

　　本文將該方法應用于UK-Biobank數據中，分析了79對環境因素與表型的組合，其中環境因素包含抽煙，酒精攝入，性別和身體鍛煉情況，表型包含慢性阻塞性呼吸障礙、高血脂、心率失常等多種復雜疾病。分析中包含344,341個歐洲人樣本和大約2,800萬個填充（imputation）后的SNP位點。在顯著性水平5e-8下，分析發現了34個具有顯著交互作用的SNP位點。比如，位于基因CHRNA5上的位點rs55781567對于慢性阻塞性呼吸障礙的影響與抽煙行為相關。該位點上等位基因G的攜帶者更容易患有呼吸障礙，而對于抽煙者，這種易感性會顯著增大。本文還討論了基因PITX2與性別的交互作用對于心率失常，以及基因DNAH11與身體鍛煉的交互作用對于高血脂的影響。

　　總之，本文提出了一個快速且準確的新算法SPAGE。數值模擬和實際數據分析表明該方法可以極大地提升運算速度，同時可以很好地控制第一類錯誤率。通過應用于UK-Biobank數據，該方法成功發現了多個具有顯著交互作用的SNP位點。SPAGE的R包可以從網站https://github.com/WenjianBI/SPAGE下載。UK-Biobank的數據分析結果可從網站https://www.leelabsg.org/resources下載。

　　參考文獻：

　　https://doi.org/10.1016/j.ajhg.2019.10.008