Passei vários dias tentando entender uma questão que, à primeira vista, parece extremamente simples. Se um estudo GWAS informa que uma determinada SNP tem um efeito de +0,015, outra de +0,012, outra de -0,007 e assim por diante, por que não basta somar todos esses valores conforme os alelos presentes no indivíduo? Afinal, foi o próprio estudo que calculou esses pesos.
A dificuldade em compreender isso nasce porque intuitivamente imaginamos que o GWAS esteja medindo diretamente o efeito biológico de cada SNP. Mas, na realidade, não é exatamente isso que ele faz.
O GWAS é um estudo estatístico. Ele compara centenas de milhares ou milhões de variantes genéticas entre milhares de pessoas e procura responder uma pergunta muito específica: “esta variante aparece mais frequentemente em indivíduos com determinado fenótipo?”
O resultado dessa comparação é o beta (β), que representa a associação estatística daquela variante com o fenótipo estudado.
É importante perceber que associação não é sinônimo de causalidade.
Imagine um gene qualquer contendo cinco SNPs.
Gene A
rs1 β = +0,12
rs2 β = +0,11
rs3 β = +0,10
rs4 β = +0,11
rs5 β = +0,10
O GWAS encontrou associação em todas elas.
O problema é que essas cinco variantes costumam ser herdadas juntas. Esse fenômeno recebe o nome de desequilíbrio de ligação, ou Linkage Disequilibrium (LD).
Na prática, isso significa que quem possui rs1 quase sempre também possui rs2, rs3, rs4 e rs5.
Como elas quase nunca aparecem separadas na população estudada, a análise estatística não consegue distinguir perfeitamente qual delas realmente produz o efeito biológico.
É como observar cinco amigos que entram sempre juntos em um restaurante. Se toda vez que um deles aparece ocorre uma confusão, é impossível saber apenas olhando as câmeras qual dos cinco começou a discussão. Todos aparecem associados ao evento.
O GWAS acaba distribuindo parte dessa associação entre todos.
Isso muda completamente a interpretação dos betas.
Eles não representam necessariamente a força biológica individual de cada SNP.
Representam a melhor estimativa estatística possível dada a forma como aquelas variantes aparecem juntas na população.
Em alguns casos, apenas uma dessas variantes é realmente causal.
As outras apenas “viajam juntas” com ela.
Em outros casos, duas ou três podem participar do mecanismo biológico.
Também existe a possibilidade de nenhuma delas ser causal. Todas podem apenas estar próximas da verdadeira variante funcional, que sequer foi genotipada.
Esse é justamente um dos grandes desafios da genética estatística.
Por isso existe uma distinção fundamental entre SNP associada e SNP causal.
Uma SNP associada é aquela cujo beta foi identificado pelo GWAS.
Uma SNP causal é aquela que realmente altera a biologia da célula.
Nem sempre elas coincidem.
Em estudos pequenos e extremamente específicos, isso pode ser investigado experimentalmente.
Por exemplo, quando pesquisadores estudam apenas um gene relacionado à neuroplasticidade, podem realizar experimentos moleculares mostrando que determinada variante altera a expressão gênica, modifica a proteína produzida ou interfere diretamente na função neuronal.
Nesses casos, existe evidência funcional indicando qual variante é realmente causal.
Mas um GWAS envolvendo centenas de milhares de indivíduos e milhões de SNPs não faz esse tipo de experimento.
Ele apenas observa padrões estatísticos.
Foi justamente por causa desse problema que surgiram métodos como Clumping e LDpred2.
O Clumping parte da seguinte lógica.
Se cinco SNPs carregam praticamente a mesma informação porque são herdadas juntas, talvez seja suficiente manter apenas a que apresenta a associação estatística mais forte.
As demais seriam redundantes.
Já o LDpred2 segue uma estratégia muito mais sofisticada.
Ele não elimina as outras variantes.
Ele calcula matematicamente o grau de correlação existente entre elas usando um painel populacional de referência.
Depois redistribui os efeitos de maneira probabilística.
Isso significa que, se cinco SNPs estão altamente correlacionadas, o algoritmo reduz automaticamente o peso individual de cada uma para evitar contar a mesma informação várias vezes.
O interessante é que o LDpred2 não sabe qual é a variante causal.
Ele também trabalha com probabilidades.
A diferença é que ele utiliza a estrutura completa de correlação do genoma para estimar quais efeitos parecem independentes e quais provavelmente representam apenas a repetição do mesmo sinal estatístico.
Foi aqui que percebi onde estava minha principal confusão.
Eu imaginava que o GWAS já tivesse descoberto exatamente o efeito biológico individual de cada SNP.
Na realidade, ele mede a força estatística da associação.
Como muitas variantes são herdadas juntas, essa força acaba sendo compartilhada entre elas.
Se simplesmente somarmos todas, corremos o risco de contar o mesmo efeito diversas vezes.
Por outro lado, isso também não significa que todas sejam redundantes.
Pode acontecer de duas ou três variantes de um mesmo gene possuírem efeitos funcionais independentes.
Pode haver epistasia local.
Pode haver variantes regulatórias diferentes atuando em tecidos distintos.
Pode haver mecanismos ainda desconhecidos.
O problema é que o GWAS sozinho normalmente não consegue separar esses cenários.
É justamente essa incerteza que explica por que a construção de Polygenic Risk Scores continua sendo uma área tão ativa de pesquisa.
No fundo, todos os métodos tentam responder exatamente a mesma pergunta.
Quanto do efeito observado pertence realmente a cada SNP?
Hoje ainda não existe uma resposta perfeita.
Existem apenas aproximações estatísticas cada vez melhores.
Talvez a maior lição que tirei desse processo seja perceber que um beta de GWAS não deve ser interpretado como um “peso biológico absoluto”.
Ele é uma estimativa estatística construída sobre a informação disponível naquela população, naquele conjunto de indivíduos e naquela estrutura específica de correlação genética.
Compreender essa diferença muda completamente a forma como enxergamos os PRS.
O desafio deixa de ser simplesmente somar milhares de números.
Passa a ser descobrir quanto de cada número representa informação nova e quanto representa apenas o reflexo da mesma informação aparecendo repetidamente em SNPs vizinhas.