DOI: https://doi.org/10.1371/journal.pgen.1012184
PMID: https://pubmed.ncbi.nlm.nih.gov/40463188
تاريخ النشر: 2026-06-11
المؤلف: Pravesh Parekh وآخرون
الموضوع الرئيسي: الارتباطات الجينية وعلم الأوبئة
نظرة عامة
يقدم هذا القسم FEMA-Long، وهو امتداد متقدم لخوارزمية التأثيرات المختلطة السريعة والفعالة (FEMA)، المصممة لتعزيز تحليل البيانات الطولية في سياقات عالية الأبعاد. على عكس نماذج التأثيرات المختلطة الخطية التقليدية (LME) التي تستخدم عادةً تقاطعات عشوائية أو تباين ثابت بسيط بسبب القيود الحسابية، يوفر FEMA-Long إطارًا مرنًا قادرًا على نمذجة التباين غير المنظم ودمج المتغيرات كوظائف سلسة من خلال الانحدارات. يسمح هذا النهج باستكشاف التأثيرات المعتمدة على الوقت للمتغيرات، مما يسهل الدراسات الطولية للرابطة الجينومية (GWAS) التي يمكن أن تكشف عن التأثيرات الجينية الديناميكية.
تظهر المحاكاة الواسعة أن FEMA-Long يوفر تقديرات دقيقة مع تحسين كبير في الكفاءة الحسابية – يُقال إنه أسرع بعدة آلاف من المرات – بينما يقلل أيضًا من التأثير البيئي. يتم توضيح التطبيق العملي لـ FEMA-Long من خلال دراسة GWAS طولية باستخدام بيانات من دراسة مجموعة الأمهات والآباء والأطفال النرويجية (MoBa)، التي شملت 68,273 رضيعًا وما يصل إلى ست قياسات للطول والوزن ومؤشر كتلة الجسم (BMI) خلال السنة الأولى من الحياة. كشفت الدراسة عن أنماط ديناميكية من التأثيرات العشوائية، بما في ذلك وراثة متغيرة مع الزمن وارتباطات جينية، بالإضافة إلى تحديد عدة متغيرات جينية ذات تأثيرات معتمدة على الوقت، مما يبرز إمكانيات هذه الطريقة في تسهيل الاكتشافات البيولوجية الجديدة.
مقدمة
تسلط المقدمة الضوء على أهمية مجموعات البيانات الطولية واسعة النطاق في تقدم أبحاث الصحة والطب من خلال تمكين فحص العمليات الديناميكية المتعلقة بالصحة والمرض. تتطلب مثل هذه المجموعات، التي تمثلها بنك المملكة المتحدة الحيوي ودراسة تطوير الدماغ المعرفي للمراهقين، استراتيجيات نمذجة فعالة حسابيًا يمكنها التعامل مع البيانات عالية الأبعاد وأخذ التعقيدات مثل عدم استقلالية الملاحظات والتأثيرات المتغيرة مع الزمن في الاعتبار. تم تحديد نماذج التأثيرات المختلطة الخطية (LME) كأدوات قوية لمعالجة هذه التحديات، ومع ذلك لا يزال نمذجة التأثيرات العشوائية المتغيرة مع الزمن غير مستغلة بشكل كافٍ بسبب القيود الحسابية.
لمعالجة هذه القيود، يقدم المؤلفون خوارزمية التأثيرات المختلطة السريعة والفعالة (FEMA) وامتدادها، FEMA-Long، المصممة خصيصًا لمجموعات البيانات الطولية عالية الأبعاد. يتضمن FEMA-Long ميزات مثل التباين غير المنظم للتأثيرات العشوائية المتغيرة مع الزمن، ونمذجة قائمة على الانحدارات للتأثيرات غير الخطية، والقدرة على إجراء دراسات الرابطة الجينومية (GWAS) لكشف التأثيرات المعتمدة على الوقت. يوضح المؤلفون فعالية FEMA-Long من خلال المحاكاة ودراسة GWAS طولية تشمل 68,273 رضيعًا، تكشف عن SNPs هامة ذات تأثيرات معتمدة على الوقت على مقاييس النمو مثل الطول والوزن ومؤشر كتلة الجسم (BMI) خلال فترة تطوير حاسمة.
طرق
في قسم الطرق، يوضح المؤلفون الاعتبارات الأخلاقية والموافقات التنظيمية المرتبطة بدراسة مجموعة الأمهات والآباء والأطفال النرويجية (MoBa). حصلت الدراسة على ترخيص من وكالة حماية البيانات النرويجية وتمت الموافقة عليها من قبل اللجان الإقليمية لأخلاقيات البحث الطبي والصحي، مما يضمن الامتثال لقانون السجل الصحي النرويجي. البحث الحالي، الذي تمت الموافقة عليه تحديدًا بموجب البروتوكول 2016/1226/REK Sør-Øst C، يلتزم بهذه المعايير الأخلاقية.
للتحقق من نهج FEMA-Long في ملاءمة نماذج التأثيرات المختلطة الخطية (LME) مع التباينات غير المنظمة، أجرى المؤلفون سلسلة من المحاكاة. تم تنفيذ جميع التحليلات باستخدام MATLAB R2023a، مما يوفر إطارًا حسابيًا قويًا لتقييماتهم المنهجية. يبرز هذا النهج الصارم التزام الدراسة بالنزاهة المنهجية وممارسات البحث الأخلاقية.
نتائج
تظهر نتائج الدراسة فعالية نموذج FEMA-Long في تقدير التباينات غير المنظمة بدقة والسيطرة على الإيجابيات الكاذبة عبر محاكاة متنوعة. في المحاكاة 1، أظهر FEMA-Long متوسط خطأ الجذر التربيعي (RMSE) منخفض لكل من التأثيرات الثابتة (0.0121 ± 0.0018) والتأثيرات العشوائية، مع ارتباطات (r) قريبة من 1، مما يدل على دقة عالية مقارنة بالحقيقة الأرضية وأداة glmmTMB. أكدت المحاكاة 2 أن FEMA-Long يحافظ على قيم p جيدة التقدير تحت التباين غير المنظم، بينما تظهر توزيعات غير موحدة تحت التناظر المركب، مما يشير إلى أداء قوي في الاستدلال الإحصائي.
علاوة على ذلك، سلطت المحاكاة 3 الضوء على الكفاءة الحسابية والفوائد البيئية لـ FEMA-Long، مما يظهر أنه أسرع بكثير وأكثر صداقة للبيئة من glmmTMB وlmer، مع تحسينات في السرعة تتراوح من 29 إلى أكثر من 600 مرة وأثر كربوني أقل بكثير. أشارت المحاكاة 4 إلى استقرار تقديرات FEMA-Long عبر أحجام عينات متغيرة وبيانات مفقودة، مع قيم RMSE منخفضة باستمرار وقابلة للمقارنة مع glmmTMB. بالإضافة إلى ذلك، كشفت تحليل التأثيرات الجينية عن أنماط ديناميكية في الوراثة عبر نقاط زمنية لسمات مثل الطول والوزن ومؤشر كتلة الجسم، مع تحديد GWAS عددًا كبيرًا من SNPs المرتبطة بهذه السمات، مما يبرز أهمية نمذجة التأثيرات المعتمدة على الوقت في الدراسات الجينية.
مناقشة
في هذا القسم، يقدم المؤلفون خوارزمية FEMA-Long، وهي امتداد للإطار الأصلي لـ FEMA المصمم لتحليل مجموعات البيانات الطولية الكبيرة. يركز الأسلوب على تقدير التأثيرات الثابتة مع الأخذ في الاعتبار التأثيرات العشوائية، باستخدام نهج المربعات الصغرى العامة (GLS) الذي يتضمن مصفوفة تباين غير منظمة لنمذجة التباينات المتغيرة مع الزمن. يسمح هذا المرونة بإدراج التأثيرات غير الخطية من خلال نمذجة الانحدارات وعبارات التفاعل، مما يمكّن من فحص العلاقات المعقدة بين المتغيرات والظواهر على مر الزمن. الإطار مناسب بشكل خاص لدراسات الرابطة الجينومية (GWAS)، حيث يمكنه تقييم تأثير العديد من المتغيرات الجينية على الظواهر مع التحكم في المتغيرات والتأثيرات العشوائية.
يصف المؤلفون الصياغة الرياضية التي تدعم منهجية FEMA-Long، بما في ذلك تقدير مكونات التباين وبناء مصفوفة التباين. يؤكدون أن النهج لا يتطلب مجموعة بيانات متوازنة، مما يستوعب أعدادًا متغيرة من الملاحظات عبر الموضوعات. بالإضافة إلى ذلك، يصف المؤلفون كيف يمكن للإطار نمذجة التأثيرات الجينية المعتمدة على الوقت باستخدام تفاعلات الانحدار، مما يسمح بفهم دقيق لكيفية تأثير المتغيرات الجينية على النتائج الظاهرية مع مرور الوقت. بشكل عام، يعزز FEMA-Long القدرات التحليلية للبيانات الطولية، مما يوفر أداة قوية للباحثين في مجالات مثل علم الوراثة وعلم الأوبئة.
DOI: https://doi.org/10.1371/journal.pgen.1012184
PMID: https://pubmed.ncbi.nlm.nih.gov/40463188
Publication Date: 2026-06-11
Author(s): Pravesh Parekh et al.
Primary Topic: Genetic Associations and Epidemiology
Overview
The section presents FEMA-Long, an advanced extension of the Fast and Efficient Mixed-Effects Algorithm (FEMA), designed to enhance the analysis of longitudinal data in high-dimensional contexts. Unlike traditional linear mixed-effects (LME) models that typically utilize random intercepts or simple stationary covariance due to computational limitations, FEMA-Long offers a flexible framework capable of modeling unstructured covariance and incorporating covariates as smooth functions through splines. This approach allows for the exploration of time-dependent effects of covariates, facilitating longitudinal genome-wide association studies (GWAS) that can uncover dynamic genetic influences.
Extensive simulations demonstrate that FEMA-Long provides accurate estimates while significantly improving computational efficiency—reportedly up to several thousand times faster—while also minimizing environmental impact. The practical application of FEMA-Long is illustrated through a longitudinal GWAS using data from the Norwegian Mother, Father and Child Cohort Study (MoBa), which involved 68,273 infants and up to six measurements of length, weight, and BMI within the first year of life. The study revealed dynamic patterns of random effects, including time-varying heritability and genetic correlations, as well as the identification of several genetic variants with time-dependent effects, underscoring the method’s potential for facilitating novel biological discoveries.
Introduction
The introduction highlights the significance of large-scale longitudinal datasets in advancing health and medicine research by enabling the examination of dynamic processes related to health and disease. Such datasets, exemplified by the UK Biobank and the Adolescent Brain Cognitive Development Study, necessitate computationally efficient modeling strategies that can handle high-dimensional data and account for complexities like non-independence of observations and time-varying effects. Linear mixed-effects (LME) models are identified as powerful tools for addressing these challenges, yet the modeling of time-varying random effects remains underutilized due to computational constraints.
To address these limitations, the authors present the Fast and Efficient Mixed-Effects Algorithm (FEMA) and its extension, FEMA-Long, designed specifically for high-dimensional longitudinal datasets. FEMA-Long incorporates features such as unstructured covariance for time-varying random effects, spline-based modeling for non-linear effects, and the capability to conduct genome-wide association studies (GWAS) to uncover time-dependent effects. The authors demonstrate the efficacy of FEMA-Long through simulations and a longitudinal GWAS involving 68,273 infants, revealing significant SNPs with time-dependent effects on growth metrics like length, weight, and body mass index (BMI) during a critical developmental period.
Methods
In the Methods section, the authors outline the ethical considerations and regulatory approvals associated with the Norwegian Mother, Father, and Child Cohort Study (MoBa). The study received a license from the Norwegian Data Protection Agency and was approved by The Regional Committees for Medical and Health Research Ethics, ensuring compliance with the Norwegian Health Registry Act. The current research, specifically approved under protocol 2016/1226/REK Sør-Øst C, adheres to these ethical standards.
To validate the FEMA-Long approach for fitting linear mixed effects (LME) models with unstructured covariances, the authors conducted a series of simulations. All analyses were executed using MATLAB R2023a, providing a robust computational framework for their methodological evaluations. This rigorous approach underscores the study’s commitment to methodological integrity and ethical research practices.
Results
The results of the study demonstrate the efficacy of the FEMA-Long model in accurately estimating unstructured covariances and controlling for false positives across various simulations. In Simulation 1, FEMA-Long exhibited a low average root mean square error (RMSE) for both fixed effects (0.0121 ± 0.0018) and random effects, with correlations (r) close to 1, indicating high accuracy compared to the ground truth and the glmmTMB toolbox. Simulation 2 confirmed that FEMA-Long maintains well-calibrated p-values under unstructured covariance, while showing non-uniform distributions under compound symmetry, suggesting a robust performance in statistical inference.
Further, Simulation 3 highlighted the computational efficiency and environmental benefits of FEMA-Long, demonstrating it to be significantly faster and greener than glmmTMB and lmer, with speed improvements ranging from 29 to over 600 times and a substantially lower carbon footprint. Simulation 4 indicated the stability of FEMA-Long estimates across varying sample sizes and missing data, with RMSE values consistently low and comparable to glmmTMB. Additionally, the analysis of genetic effects revealed dynamic patterns in heritability across timepoints for traits such as length, weight, and BMI, with GWAS identifying a substantial number of SNPs associated with these traits, further emphasizing the importance of modeling time-dependent effects in genetic studies.
Discussion
In this section, the authors present the FEMA-Long algorithm, an extension of the original FEMA framework designed for analyzing large longitudinal datasets. The method focuses on estimating fixed effects while accounting for random effects, utilizing a generalized least squares (GLS) approach that incorporates an unstructured covariance matrix to model time-varying covariances. This flexibility allows for the inclusion of non-linear effects through spline modeling and interaction terms, enabling the examination of complex relationships between covariates and phenotypes over time. The framework is particularly suited for genome-wide association studies (GWAS), where it can assess the impact of numerous genetic variants on phenotypes while controlling for covariates and random effects.
The authors detail the mathematical formulation underpinning the FEMA-Long methodology, including the estimation of variance components and the construction of the covariance matrix. They emphasize that the approach does not require a balanced dataset, accommodating varying numbers of observations across subjects. Additionally, the authors describe how the framework can model time-dependent genetic effects using spline interactions, allowing for a nuanced understanding of how genetic variants influence phenotypic outcomes over time. Overall, FEMA-Long enhances the analytical capabilities for longitudinal data, providing a robust tool for researchers in fields such as genetics and epidemiology.