What limits local ancestry inference at low divergence: a feasibility threshold, a metric that conceals failure, and a deficit of input more than architecture

ملخص تقني: ما الذي يحد من استنتاج الأصول المحلية عند انخفاض التباعد

بيان المشكلة
يقوم استنتاج الأصول المحلية (LAI) بتعيين المواقع الجينومية في الأفراد المختلطين إلى مجموعات سكانية مصدر، وهو أمر ضروري لخرائط الاختلاط واختبارات الارتباط الخاصة بالأصول. بينما تعمل طرق الاستنتاج الروتينية بشكل جيد مع المصادر شديدة التباعد (مثل الأفريقي/الأوروبي/الأمريكي الأصلي، $F_{ST} \approx 0.1$)، فإن فعاليتها في المجموعات وثيقة الصلة (مثل شمال وجنوب الصين الهان، $F_{ST} \approx 0.0004$) لم تُختبر بعد. تعتمد المعايير المرجعية الحالية بشكل كبير على محاكاة التماسك (coalescent simulations) ومقاييس الدقة لكل موقع، والتي قد لا تعكس بنية مستوى القطع (tract-level structure) المطلوبة للتحليلات اللاحقة مثل تأريخ الاختلاط. تبحث هذه الدراسة في حدود الجدوى لاستنتاج الأصول المحلية عند انخفاض التباعد، وصحة المعايوهات القائمة على المحاكاة، والمساهمات النسبية لتمثيل المدخلات مقابل بنية النموذج.

المنهجية
قام المؤلف بتقييم خمس طرق عبر تدرج مستمر من تباعد المصادر ($F_{ST}$ من 0.0022 إلى 0.243) باستخدام مسارين متميزين من البيانات:

1. محاكاة التماسك: تمت محاكاة أحداث اختلاط ثنائية الاتجاه مع تسميات حقيقية دقيقة تم إنشاؤها عن طريق تجميع (mosaicking) الهابلوتايب المانحة.
2. الهابلوتايبات الحقيقية: تم تطبيق نفس عملية التجميع على هابلوتايبات "1000 Genomes" المحددة (phased) عبر 11 زوجًا من المجموعات السكانية (تغطي مجموعات شرق آسيا، وأوروبا، وجنوب آسيا).

الطرق المقارنة:

• النماذج المرجعية (Baselines): مصنف احتمالي نافذي (windowed likelihood classifier) ومصنف احتمالي يتم تنعيمه بواسطة نموذج ماركوف المخفي (HMM).
• الأدوات المنشورة: RFMix v2 و FLARE.
• الشبكة العصبية: شبكة عصبية تلافيفية متسعة (dilated CNN) مدربة لتقسيم المواقع (per-site segmentation). تم اختبار الشبكة في تكوينين:
  • التردد فقط: تتكون المدخلات من ترددات الأليلات ونسب الاحتمالية اللوغاريتمية.
  • المدركة للهابلوتايب: نفس البنية المعززة بأربعة قنوات تلخص مطابقة الهابلوتايب المحلي مقابل لوحات المرجع.

المساهمات والنتائج الرئيسية

1. وجود حد أدنى للجدوى
هناك حد صلب لأداء استنتاج الأصول المحلية (LAI) تحدده المحتوى المعلوماتي للبيانات وليس مدى تطور الخوارزمية.

• عند $F_{ST} = 0.0022$، لا تتجاوز أي طريقة دقة 0.575.
• بالنسبة لزوج CHB/CHS ($F_{ST} = 0.00042$)، فإن أفضل دقة هي 0.551.
• تحت هذه العتبات، تكون الفروق بين الطرق أصغر من التباين الناتج عن التشغيل المتكرر، مما يشير إلى أن البيانات تحتوي على إشارات غير كافية للتمييز بين المصادر. وهذا يعني أن استنتاجات الأصول الدقيقة داخل هذه المجموعات السكانية (مثل داخل الصينيين الهان أو داخل أوروبا) تفتقر إلى الدعم في ظل الظروف الحالية.

2. الدقة لكل موقع هي مقياس مضلل
المقياس القياسي، وهو الدقة لكل موقع، يفشل في التقاط السلامة الهيكلية للفسيفساء المستنتجة.

• حققت الشبكة العصبية (CNN) المتسعة دقة عالية لكل موقع في المحاكاة، لكنها أنتجت قطع أصول أكثر بـ 78.8 مرة من الحقيقة، مما يعني أن زمن الاختلاط أقدم بـ 61.2 مرة من الواقع.
• في المقابل، أنتجت أدوات RFMix و FLARE أعداد قطع قريبة من الحقيقة.
• إن تطبيق فك تشفير "فيتيربي" (Viterbi decoder) (باستخدام أولوية انتقال ثابتة بناءً على إعادة الاندماج) على مخرجات (logits) الشبكة العصبية صحح بنية القطع (مقللاً الخطأ إلى 1.56×) مع تكلفة ضئيلة جداً في الدقة لكل موقع (+0.0002). هذا يثبت أن المقياس أعمى عن العيوب التي تجعل المخرجات غير قابلة للاستخدام في تأريخ الاختلاط.

3. المحاكاة لا تتنبأ بالأداء في العالم الحقيقي
ميزة الطريقة المتعلمة في المحاكاة لا تنتقل إلى البيانات الحقيقية.

• في المحاكاة، تفوقت الشبكة العصبية (CNN) على أفضل أداة منشورة بفارق يصل إلى 0.048 عند انخفاض التباعد.
• في هابلوتايبات "1000 Genomes" الحقيقية، تفوقت الأدوات المنشورة على الشبكة العصبية في 10 من أصل 11 زوجًا، بمتوسط عجز قدره -0.032.
• لا يعود هذا التفاوت إلى أن المحاكي ينتج بيانات "أنظف"؛ بل إن اللوحات المحاكات كانت تحمل في الواقع إشارة هابلوتايب أكثر قابلية للاستغلال من اللوحات الحقيقية عند نفس مستوى التباعد. يكمن الفشل في أن الشبكة التي تعتمد على التردد فقط تستخدم معلومات غير كافية على الكروموسومات الحقيقية، بينما تستخدم الأدوات المنشورة معلومات الهابلوتايب الكاملة.

4. تمثيل المدخلات هو العائق الأساسي
الفجوة في الأداء مدفوعة بتمثيل المدخلات وليس بالخيارات الهيكلية.

• التدخلات الهيكلية: أدت التغييرات في آليات الانتباه (attention mechanisms)، وطبقات مساحة الحالة، والسعة، والتدريب المسبق إلى تغيير الدقة بمقدار 0.006 كحد أقصى.
• التدخلات في المدخلات: تزويد الشبكة العصبية بقنوات مطابقة الهابلوتايب (مطابقة مدخلات RFMix/FLARE) استعاد +0.031 من الدقة في 8 من أصل 8 أزواج تحت $F_{ST} = 0.04$.
• ومع ذلك، حتى مع تساوي المدخلات، ظلت الشبكة خلف الأدوات المنشورة في 10 من أصل 11 زوجًا، مما يشير إلى أنه بينما يعد المدخل ضروريًا، فإنه ليس كافيًا لسد الفجوة تمامًا. لم تتفوق الشبكة على الأدوات المنشورة إلا في زوج CEU/TSI ($F_{ST} = 0.0027$)، وهو الزوج الأقل تباعدًا حيث كانت أي طريقة ذات دلالة.

5. حجم لوحة المرجع والإحصائيات أهم من البنية
وُجد أن عاملين يتم تثبيتهما تقليديًا في المقارنات لهما تأثير أكبر من التصميم الهيكلي:

• الإحصاء الملخص: تستخدم الطرق العصبية عادةً معدلات الاتفاق (مسافة هامينج)، بينما تستخدم نماذج النسخ (RFMix/FLARE) أطوال الاتفاق المتصلة (إحصائيات كافية لنموذج Li–Stephens). الاتصال أكثر تمييزًا ولكنه يوفر فائدة فقط عندما تكون لوحة المرجع صغيرة؛ فهو يعمل كبديل لحجم اللوحة وليس كإشارة مستقلة.
• حجم اللوحة: لم تقترب أي طريقة من مرحلة التشبع. أدى زيادة لوحة المرجع من 80 إلى 100 هابلوتايب إلى تحسين الدقة لجميع الطرق (بما في ذلك CNN و RFMix و FLARE) دون تغيير ترتيبها النسبي.

6. الحساسية لأخطاء التحديد (Phasing Errors)
تؤدي أخطاء تبديل الطور (phase switch errors) إلى تفتيت الهابلوتايبات دون تغيير ترددات الأليلات.

• الطرق التي تعتمد على التكامل بعيد المدى (مثل CNN المعتمدة على التردد فقط) هي الأكثر حساسية لهذه الأخطاء، حيث تعاني من خسارة أكبر في الدقة مقارنة بالطرق التي لا تدمج السياق (الاحتمالية النافذة) أو تلك التي تصف الهابلوتايب صراحة (RFMix/FLARE).
• قلل إضافة قنوات مطابقة الهابلوتايب من هذه الحساسية، مما جعل التكوين المدرك للهابلوتايب أكثر قوة تجاه أخطاء التحديد مقارنة بنسخة التردد فقط.

الأهمية والادعاءات
تجادل الورقة بأن قيود استنتاج الأصول المحلية (LAI) عند انخفاض التباعد هي في المقام الأول مدفوعة بالبيانات (عدم كفاية الإشارة في الجينوم) وبالتمثيل (عدم تطابق معلومات المدخلات)، وليس بفشل بنيات الاستنتاج المتعلمة. وتبرز ثلاثة أفخاخ محددة في ممارسات التقييم الحالية:

1. الاعتماد على الدقة لكل موقع، مما يحجب الفشل الهيكلي الضروري للتحليل اللاحق.
2. التحقق فقط من خلال المحاكاة، مما يمكن أن يضخم أداء الطرق المتعلمة بشكل مصطنع مقارنة بالأدوات المنشورة.
3. مقارنة الطرق بتمثيلات مدخلات غير متساوية (على سبيل المثال، التردد فقط مقابل الهابلوتايب المدرك).

يخلص المؤلف إلى أن "أرضية" الأداء بالنسبة للمجموعات السكانية وثيقة الصلة تتحدد بالمحتوى المعلوماتي للبيانات. وبينما يؤدي توفير معلومات الهابلوتايب إلى تحسين الأداء، فإنه لا يضمن التساوي مع الأدوات القائمة، كما أن ادعاءات استنتاج الأصول الدقيقة في هذه النطاقات تتطلب دعمًا مستقلاً يتجاوز عملية الاستنتاج نفسها. تقترح الدراسة أن المعايوهات المستقبلية يجب أن تبلغ عن إحصائيات مستوى القطع، وتتحقق من الهابلوتايبات الحقيقية، وتضمن تساوي المدخلات بين الطرق المقارنة.