Integración del análisis de factores latentes en la aleatorización mendeliana multivariable

Área de la Ciencia:

• Genética
• Epidemiología
• Bioinformática

Sus antecedentes:

• La aleatorización mendeliana (MR) utiliza variantes genéticas para inferir causalidad a partir de datos observacionales.
• La aleatorización mendeliana multivariable (MVMR) extiende esto a múltiples exposiciones, pero tiene dificultades con exposiciones altamente correlacionadas, especialmente en datos multiómicos de alta dimensionalidad.
• Los métodos MVMR convencionales pueden enfrentar multicolinealidad y potencia reducida con exposiciones correlacionadas, lo que limita las ideas biológicas.

Objetivo del estudio:

• Desarrollar un marco MVMR mejorado que aborde los desafíos que plantean las exposiciones altamente correlacionadas en entornos de alta dimensionalidad.
• Integrar el análisis de factores latentes en MVMR para una reducción de dimensiones efectiva sin comprometer la interpretabilidad.
• Mejorar la inferencia causal en estudios multiómicos teniendo en cuenta los factores o vías latentes compartidos.

Principales métodos:

• Se propuso una integración del análisis de factores latentes dentro del marco MVMR.
• Se desarrolló un método para la reducción de dimensiones en MVMR sin comprometer la interpretabilidad biológica.
• Se validó el enfoque a través de extensos estudios de simulación.

Principales resultados:

• El método propuesto demostró una tasa de falsos positivos bien controlada en simulaciones.
• Se logró una sensibilidad superior en comparación con los enfoques MVMR convencionales para exposiciones correlacionadas.
• Se aplicó con éxito el método para investigar los vínculos causales entre la metilación del ADN y el número de copias del ADN mitocondrial.

Conclusiones:

• El nuevo método MVMR basado en factores latentes maneja eficazmente exposiciones altamente correlacionadas, particularmente en datos multiómicos.
• Este enfoque ofrece ventajas significativas para descubrir relaciones causales impulsadas por factores o vías latentes compartidos.
• El método proporciona nuevas perspectivas sobre los mecanismos moleculares que subyacen a fenotipos complejos al mejorar la inferencia causal en datos genéticos de alta dimensionalidad.