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

Technische Zusammenfassung: Was die lokale Ahnenlinien-Inferenz bei geringer Divergenz begrenzt

Problemstellung
Die lokale Ahnenlinien-Inferenz (Local Ancestry Inference, LAI) weist genomische Positionen in admixierten Individuen bestimmten Quellpopulationen zu, was eine Voraussetzung für Admixture Mapping und ahnenlinienspezifische Assoziationstests ist. Während routinemäßige LAI-Methoden bei hoch divergierenden Quellen (z. B. Afrikanisch/Europäisch/Amerikanisch-Indigen, $F_{ST} \approx 0,1$) gut funktionieren, bleibt ihre Wirksamkeit bei eng verwandten Populationen (z. B. Nord- vs. Süd-Han-Chinesen, $F_{ST} \approx 0,0004$) weitgehend ungeprüft. Aktuelle Benchmarks stützen sich stark auf Koaleszenz-Simulationen und pro-Site-Genauigkeitsmetriken, welche jedoch möglicherweise nicht die auf Trakt-Ebene erforderliche Struktur für Downstream-Analysen wie das Admixture-Dating widerspiegeln. Diese Studie untersucht die Durchführbarkeitsgrenzen der LAI bei geringer Divergenz, die Validität simulationsbasierter Benchmarks sowie die relativen Beiträge von Input-Repräsentation gegenüber der Modellarchitektur.

Methodik
Der Autor evaluierte fünf Methoden über ein kontinuierliches Gradient der Quellendivergenz ($F_{ST}$ von 0,0022 bis 0,243) unter Verwendung zweier distinkter Datentracks:

1. Koaleszenz-Simulationen: Zwei-Wege-Admixture-Ereignisse wurden mit exakten Ground-Truth-Labels simuliert, die durch das Mosaikieren von Donor-Haplotypen generiert wurden.
2. Reale Haplotypen: Dieselbe Mosaik-Konstruktion wurde auf phasierte 1000-Genomes-Haplotypen angewendet, verteilt auf 11 Populationspaare (die ostasiatische, europäische und südasiatische Gruppen abdecken).

Verglichene Methoden:

• Baselines: Ein fensterbasiertes Likelihood-Klassifizierungsmodell und ein durch ein Hidden Markov Model (HMM) geglättetes Likelihood-Klassifizierungsmodell.
• Veröffentlichte Tools: RFMix v2 und FLARE.
• Neuronales Netzwerk: Ein dilatiertes faltendes neuronales Netzwerk (CNN), das für die Per-Site-Segmentierung trainiert wurde. Das Netzwerk wurde in zwei Konfigurationen getestet:
  • Nur Frequenz: Der Input besteht aus Allelfrequenzen und Log-Likelihood-Verhältnissen.
  • Haplotyp-bewusst: Dieselbe Architektur, ergänzt um vier Kanäle, die das lokale Haplotyp-Matching gegen Referenzpanels zusammenfassen.

Wesentliche Beiträge und Ergebnisse

1. Es existiert eine Durchführbarkeitsuntergrenze (Feasibility Floor)
Es gibt eine harte Grenze für die LAI-Leistung, die durch den Informationsgehalt der Daten und nicht durch die algorithmische Raffinesse bestimmt wird.

• Bei $F_{ST} = 0,0022$ übersteigt keine Methode eine Genauigkeit von 0,57,5.
• Für das CHB/CHS-Paar ($F_{ST} = 0,00042$) liegt die beste Genauigkeit bei 0,551.
• Unterhalb dieser Schwellenwerte sind die Unterschiede zwischen den Methoden kleiner als die Variabilität zwischen den Durchläufen, was darauf hindeutet, dass die Daten nicht genügend Signal enthalten, um die Quellen zu unterscheiden. Dies impliziert, dass die veröffentlichten Inferenzen feinskaliger Ahnenlinien-Trakt-Strukturen innerhalb solcher Populationen (z. B. innerhalb der Han-Chinesen oder innerhalb Europas) unter den aktuellen Bedingungen mangelnde Unterstützung besitzen.

2. Per-Site-Genauigkeit ist eine irreführende Metrik
Die Standardmetrik, die Per-Site-Genauigkeit, erfasst die strukturelle Integrität des inferierten Mosaiks nicht ausreichend.

• Das dilatierte CNN erreichte hohe Per-Site-Genauigkeiten in Simulationen, produzierte jedoch 78,8-mal mehr Ahnenlinien-Trakt als die Wahrheit, was eine Admixture-Zeit impliziert, die 61,2-mal älter ist als die Realität.
• Im Gegensatz dazu produzierten RFMix und FLARE Trakt-Anzahlen, die nahe an der Wahrheit liegen.
• Die Anwendung eines Viterbi-Decoders (unter Verwendung eines fixen Transitions-Priors basierend auf Rekombination) auf die Logits des CNN korrigierte die Trakt-Struktur (Reduktion des Fehlers auf das 1,56-fache) bei vernachlässigbarem Verlust der Per-Site-Genauigkeit (+0,0,002). Dies zeigt, dass die Metrik blind für Defekte ist, die die Ausgaben für das Admixture-Dating unbrauchbar machen.

3. Simulation sagt die reale Leistung nicht voraus
Der Vorteil einer gelernten Methode in der Simulation überträgt sich nicht auf reale Daten.

• In Simulationen übertraf das dilatierte CNN das beste veröffentlichte Tool um bis zu 0,048 bei geringer Divergenz.
• Auf realen 1000-Genomes-Haplotypen wurde das CNN auf 10 von 11 Paaren von den veröffentlichten Tools übertroffen, mit einem mittleren Defizit von -0,032.
• Diese Diskrepanz resultiert nicht daraus, dass der Simulator "sauberere" Daten generiert hat; simulierte Panels trugen tatsächlich mehr verwertbares Haplotyp-Signal als reale Panels bei gleicher Divergenz. Der Fehler liegt darin, dass das frequenzbasierte Netzwerk auf Informationen vertraut, die auf realen Chromosomen unzureichend sind, während veröffentlichte Tools die vollständigen Haplotyp-Informationen nutzen.

4. Die Input-Repräsentation ist der primäre Engpass
Die Leistungsdifferenz wird durch die Input-Repsentation getrieben, nicht durch architektonische Entscheidungen.

• Architektonische Interventionen: Variationen in Attention-Mechanismen, State-Space-Layern, Kapazität und Pretraining bewegten die Genauigkeit um höchstens 0,006.
• Input-Interventionen: Die Versorgung des CNN mit Haplotyp-Matching-Kanälen (entsprechend dem Input von RFMix/FLARE) stellte eine Genauigkeit von +0,031 auf 8 von 8 Paaren unter $F_{ST} = 0,04$ wieder her.
• Selbst mit dieser Input-Parität blieb das Netzwerk hinter den veröffentlichten Tools zurück (auf 10 von 11 Paaren), was darauf hindeutet, dass der Input zwar notwendig, aber nicht ausreichend ist, um die Lücke vollständig zu schließen. Das Netzwerk übertraf die veröffentlichten Tools nur beim CEU/TSI-Paar ($F_{ST} = 0,0027$), dem am wenigsten divergenten Paar, bei dem irgendeine Methode informativ war.

5. Referenzpanel-Größe und Statistiken sind wichtiger als die Architektur
Zwei Faktoren, die konventionell in Vergleichen konstant gehalten wurden, erwiesen sich als einflussreicher als das architektonische Design:

• Zusammenfassende Statistik: Neuronale Methoden verwenden typischerweise Übereinstimmungsraten (Hamming-Distanz), während Kopier-Modelle (RFMix/FLRE) zusammenhängende Übereinstimmungslängen (hinreichende Statistiken für das Li-Stephens-Modell) nutzen. Kontiguität ist diskriminativer, bietet aber nur dann einen Vorteil, wenn das Referenzpanel klein ist; sie fungiert als Ersatz für die Panelgröße statt als unabhängiges Signal.
• Panel-Größe: Keine Methode erreichte Sättigung. Die Erhöhung des Referenzpanels von 80 auf 100 Haplotypen verbesserte die Genauigkeit für alle Methoden (einschließlich CNN, RFMix und FLARE), ohne deren relative Rangfolge zu verändern.

6. Sensitivität gegenüber Phasing-Fehlern
Phasen-Switch-Fehler fragmentieren Haplotypen, ohne die Allelfrequenzen zu verändern.

• Methoden, die auf weitreichender Integration beruhen (wie das frequenzbasierte CNN), sind am anfälligsten für diese Fehler und erleiden einen größeren Genauigkeitsverlust als Methoden, die keinen Kontext integrieren (Fenster-Likelihood) oder die explizit Haplotypen modellieren (RFMix/FLARE).
• Das Hinzufügen von Haplotyp-Matching-Kanälen reduzierte diese Sensitivität und machte die haplotyp-bewusste Konfiguration robuster gegenüber Phasing-Fehlern als die frequenzbasierte Version.

Bedeutung und Behauptungen
Das Paper argumentiert, dass die Einschränkungen der LAI bei geringer Divergenz primär datengetrieben (unzureichendes Signal im Genom) und repräsentationsbedingt (mismatchte Input-Informationen) sind und nicht auf ein Versagen gelernter Inferenz-Architekturen zurückzuführen sind. Es hebt drei spezifische Fallstricke in der aktuellen Evaluierungspraxis hervor:

1. Die Abhängigkeit von der Per-Site-Genauigkeit, welche strukturelle Fehler maskiert, die für Downstream-Analysen entscheidend sind.
2. Die ausschließliche Validierung mittels Simulationen, was den Erfolg gelernter Methoden gegenüber veröffentlichten Tools künstlich aufblähen kann.
3. Der Vergleich von Methoden mit ungleichen Input-Repräsentationen (z. B. Frequenz-only vs. Haplotyp-bewusst).

Der Autor schließt, dass bei eng verwandten Populationen der "Leistungsboden" durch den Informationsgehalt der Daten bestimmt wird. Während die Bereitstellung von Haplotyp-Informationen die Leistung verbessert, garantiert dies keine Parität mit etablierten Tools, und Behauptungen über die feinskalige Ahnenlinien-Inferenz in diesen Regimen erfordern eine unabhängige Stützung jenseits der Inferenz selbst. Die Studie legt nahe, dass zukünftige Benchmarks Trakt-Statistiken auf Ebene der Trakt-Struktur berichten, auf realen Haplotypen validieren und die Input-Parität zwischen verglichenen Methoden sicherstellen müssen.