Importancia de los Métodos Aplicados en los Estudios Farmacogenéticos de Generación de Hipótesis

• AUTOR : Zou W, Ouyang H
• TITULO ORIGINAL : Using Local Multiplicity to Improve Effect Estimation from a Hypothesis-Generating Pharmacogenetics Study
• CITA : Pharmacogenomics Journal 16(1):107-112, Feb 2016
• MICRO : El análisis de los datos obtenidos en estudios de elaboración de hipótesis de asociación genética requiere un proceso de optimización y búsqueda de señales de asociación a lo largo del genoma.

Introducción y objetivos

Los estudios de elaboración de hipótesis de asociación genética incluyen la evaluación de numerosas variantes genéticas. El objetivo consiste en generar una hipótesis que permita conocer la arquitectura genética de un fenotipo determinado. No obstante, el análisis de los datos obtenidos en estos estudios requiere de un proceso de optimización y búsqueda de señales de asociación a lo largo del genoma. Esto puede resultar en una exageración de la significancia estadística de los hallazgos. En consecuencia, se evaluó la aplicación de diferentes métodos destinados a mejorar la estimación y reducir los sesgos.

La selección de resultados positivos se efectúa mediante la aplicación de un nivel crítico o la inclusión de las asociaciones con el perfil estadístico más extremo dentro de una clasificación determinada. Con el fin de disminuir los sesgos de selección se aplican ajustes de probabilidad condicional y remuestreo de arranque. En este último caso, los criterios de selección utilizados para obtener la información original se aplican a cada muestra. Los ajustes de probabilidad condicional permiten evaluar los sesgos correspondientes a cada polimorfismo de nucleótido único (PNU) de interés. Los métodos de remuestreo muestran la multiplicidad de la información y la hacen intensiva en el ámbito computacional. Esto se observa especialmente en estudios de asociación del genoma completo (genome-wide association studies) o en análisis complejos como los aplicados en los modelos mixtos de parámetros repetidos usados en estudios clínicos. En ambos casos, el nivel de adaptación depende de los criterios considerados, cuya modificación requiere la aplicación de cálculos nuevos y genera estimaciones diferentes.

En cuanto a los estudios farmacogenéticos de elaboración de hipótesis, en general se realizan junto con estudios clínicos y en una población relativamente escasa de participantes; esto constituye una limitación. Además, la cantidad de estudios clínicos con resultados falsos positivos es considerable. Habitualmente, los resultados de los estudios de elaboración de hipótesis se analizan en forma exhaustiva con el fin de tomar decisiones sobre la realización de estudios farmacogenéticos posteriores. Estas decisiones no son simples. La interpretación de los resultados de los estudios farmacogenéticos de elaboración de hipótesis implica la participación de diferentes especialistas. La selección según el nivel crítico o la clasificación es necesaria desde el punto de vista estadístico para incorporar la información proveniente de los estudios de elaboración de hipótesis, que no poseen un diseño ideal para aplicar ajustes de probabilidad condicional.

El presente estudio se llevó a cabo mediante un método de adaptación por estimación múltiple (MEA [multiple estimation adjustment]), que permite modelar las estimaciones de efectos individuales a partir de la evaluación de la probabilidad máxima (MLE [maximal likelihood estimation]). Su fin reside en mejorar la valoración del efecto de una variante genética determinada en el contexto de un modelo bayesiano.

Métodos

En el método de la MEA se tiene en cuenta la información que supone un nivel determinado de homogeneidad relacionada con la estimación de los efectos de un locus ubicado en una región genómica definida. Se asume la intercambiabilidad y la variabilidad de los efectos genéticos que se actualizarán de acuerdo con la información obtenida. El modelo es jerárquico; así, los efectos individuales esperados se analizan mediante parámetros predefinidos. El modelo fue codificado en BUGS21, lo que posibilita la generación de muestras correspondientes a cada parámetro.

La ganancia potencial brindada por el método de la MEA se evaluó mediante la simulación de grupos de datos, la aplicación de un análisis de regresión lineal simple sobre cada variante, el ajuste de probabilidad condicional y la estimación de errores. Al evaluar los resultados de la simulación se definió una variante destacada mediante la selección según el nivel crítico. Se llevó a cabo una selección según clasificación mediante la elección de las variantes con el valor más bajo de p (minP). También se estimó el error cuadrático medio (ECM) en diferentes contextos de simulación.

Los autores simularon los genotipos correspondientes a los PNU y los fenotipos univariables. Se asumió que el quinto PNU (PNU5), ubicado en el gen 1, fue el factor que determinó el fenotipo real. Los PNU ubicados en otros genes no tuvieron efecto alguno, lo que definió a los PNU y a los genes nulos. La cantidad de repeticiones para cada escenario de análisis fue considerable, aunque los autores prestaron atención especial a los resultados correspondientes a un escenario que incluyó una muestra de 200 componentes, adecuada para la realización de estudios farmacogenéticos de elaboración de hipótesis.

Se llevó a cabo una simulación sobre la base de 1000 genotipos ubicados en el cromosoma 22, correspondientes a una población europea de 503 individuos. Esto permitió identificar 26 242 variantes frecuentes, pertenecientes a 495 genes. Las variantes se agruparon en 2125 regiones con el fin de aplicar el método de la MEA. Para cada grupo de 1000 repeticiones, los autores seleccionaron aleatoriamente una variante entre las más frecuentes, que se consideró la variante causal. Luego, dividieron las repeticiones en categorías para cada variante, según el valor absoluto correspondiente a su efecto.

Resultados y discusión

La MLE brindó ventajas en comparación con otros métodos para la evaluación de los efectos causales ante la aplicación de simulaciones. El método de la MEA fue más útil en comparación con la MLE al considerar los efectos nulos y permitió reducir el ECM ante la evaluación de los PNU minP seleccionados. Los autores consideran que el método de la MEA tiene algunas características destacables: en primer lugar, en ausencia de aplicación de selecciones, las estimaciones mediante MEA en genes nulos se aproximaron a 0, en tanto que las correspondientes al efecto causal se aproximaron a un valor menor en comparación con el efecto real. En segundo lugar, la aplicación de criterios de selección más excluyentes, según el nivel crítico o la clasificación, resultó en la aproximación de los efectos nulos y causales a valores alejados de 0. Esto generó un nivel menor de sesgos sobre los efectos causales ante el uso de la MEA, pero también afectó el resultado correspondiente a los efectos nulos.

En estudios de elaboración de hipótesis con pruebas de corrección múltiple se corrigen todos los valores de p, lo que afecta la posibilidad de detección de los efectos causales. En coincidencia, el uso del método de la MEA resulta en una subestimación del efecto causal. En la práctica, la comparación del método de la MEA frente a otros empleados para realizar estudios de elaboración de hipótesis incluye el uso de parámetros observados y asumidos. Con el fin de comparar el método de la MEA frente a los ajustes de probabilidad condicional, las simulaciones deben involucrar regiones de interés en forma exclusiva.

La MEA puede complementar a otros métodos cuando el cálculo incluye la aplicación de correcciones que modificarán los resultados ante un ajuste de probabilidad condicional. En el presente análisis, los autores evaluaron únicamente las características esenciales del método, importantes desde el punto de vista estadístico, con el fin de llevar a cabo estudios genéticos de elaboración de hipótesis; al mismo tiempo, se abre la posibilidad de incluir una perspectiva alternativa, por ejemplo, la bioinformática. Según los investigadores, es necesario contar con más estudios que permitan evaluar las consecuencias de la incorporación de información externa ante la aplicación del método de la MEA.

La MEA incluye un enfoque bayesiano y la estimación de distribuciones mediante la aplicación de métodos de muestreo implementados en el lenguaje BUGS. Este lenguaje posee un nivel de flexibilidad que permite ampliar el método de la MEA. Este método constituye un enfoque de tipo regional y su probabilidad de distribución normal y multivariada se extiende a lo largo de los cromosomas. No obstante, existen variantes genéticas adicionales que pueden ser independientes de la variante de interés inicial. En un contexto de variación de la cantidad de PNU de un gen determinado o del coeficiente de correlación entre PNU adyacentes ubicados en un mismo gen, la consideración de información correspondiente a efectos independientes parece aumentar el ECM. A diferencia de la MEA, otros métodos aplicados en estudios alternativos incluyen la consideración de toda la información obtenida sin modelar su correlación. Según algunos autores, la aplicación del método bayesiano empírico, propuesto para estudios epidemiológicos, incluye la valoración de la relevancia de acuerdo con la proximidad genómica. Esto coincide con el uso del método de la MEA ante la realización de estudios genéticos de elaboración de hipótesis.

La consideración del método de la MEA y de la probabilidad de éxito de un estudio determinado resulta útil para definir la expectativa de poder de replicación de un ensayo en forma realista, de acuerdo con la muestra evaluada. Además, esto favorece la obtención de datos adicionales y la toma de decisiones acerca de la magnitud de la muestra a evaluar. El fin del método de la MEA, propuesto por los autores, consistió en corregir la sobreestimación de los efectos generada por el sesgo de selección observado en los estudios farmacogenéticos de elaboración de hipótesis. Este método incluye la aplicación de un enfoque bayesiano que permite modelar el efecto individual a partir de una estimación de probabilidad máxima en una región de interés. Una ventaja del método de la MEA es la consideración de una multiplicidad local que no depende de una selección. Como consecuencia de la aplicación del método de la MEA se observó una disminución del ECM, que resulta útil a la hora de efectuar estudios farmacogenéticos de generación de hipótesis.

Ref : FARMA, PSIQ, NEURO.

Especialidad: Bibliografía - Farmacología