A Two-step Feature Selection Framework for Computationally Efficient Machine Learning on Genome-wide SNP Data

Das menschliche Genom ist eine riesige Bibliothek biologischer Anweisungen, geschrieben in einem Code aus vier chemischen Buchstaben. Innerhalb dieses Codes fungieren winzige Variationen, sogenannte Einzelnukleotid-Polymorphismen oder SNPs, als einzigartige Marker, die einen Menschen vom anderen unterscheiden. Diese Marker sind über das gesamte Genom verstreut, und wenn Wissenschaftler sie von Tausenden von Menschen sammeln, erstellen sie Datensätze, die so gewaltig sind, dass sie zehntausende Millionen dieser genetischen Datenpunkte enthalten. Die Herausforderung für Forscher besteht nicht nur darin, diese Informationen zu speichern, sondern sie auch verständlich zu machen. Wenn die Anzahl der genetischen Marker die Anzahl der untersuchten Personen bei weitem übersteigt, haben Standardcomputerprogramme Schwierigkeiten, das Signal im Rauschen zu finden. Sie werden oft überfordert, was zu Fehlern führt oder Rechenleistung erfordert, die schlichtweg nicht existiert. Dies schafft einen Engpass für das Verständnis darüber, wie genetische Unterschiede damit zusammenhängen, woher die Vorfahren einer Person stammten – eine Frage, die im Zentrum der modernen Populationsgenetik steht.

Ein Forschungsteam aus Südkorea hat einen neuen Weg entwickelt, um durch diese digitale Wildnis zu navigieren und einen Berg von genetischen Daten in einen handhabbaren Pfad zu verwandeln. Sie konzentrierten sich auf einen Datensatz aus dem 1000-Genomes-Projekt, der genetische Informationen von über 3.000 Individuen aus 26 verschiedenen Ländern enthält. Die Rohdaten enthielten etwa 61 Millionen SNPs, eine Zahl, die so groß ist, dass der Versuch, sie alle gleichzeitig mit fortschrittlichen Werkzeugen des maschinellen Lernens zu analysieren, auf Standardcomputern unmöglich gewesen wäre. Die Forscher erkannten, dass die meisten dieser genetischen Marker redundant oder nicht informativ für die spezifische Aufgabe der Identifizierung eines geografischen Ursprungs waren. Um dies zu lösen, entwarfen sie einen zweistufigen Prozess zur Filterung der Daten, indem sie zuerst das offensichtliche Rauschen entfernten und dann einen intelligenten Algorithmus verwendeten, um die wertvollsten Hinweise zu finden.

Der erste Schritt ihrer Methode war ein grobes Durchforsten, das wie ein Sieb fungierte, um die aktivsten genetischen Marker aufzufangen. Das Team berechnete, wie stark jeder SNP über die verschiedenen Menschen in der Studie variierte. Marker, die nur sehr geringe Veränderungen zeigten, wurden verworfen, da sie nicht dabei helfen konnten, zwischen Populationen zu unterscheiden. Dieser einfache, auf Varianz basierende Filter reduzierte den Datensatz von 61 Millionen Markern auf etwa eine Million. Obwohl dies eine massive Reduktion war, war es immer noch zu viel für die anspruchsvollsten Analysewerkzeuge, um es schnell zu verarbeiten. Dieser vorläufige Schritt war jedoch entscheidend, da er eine unmögliche Aufgabe in eine praktikable Aufgabe verwandelte und es den Forschern ermöglichte, zur zweiten Phase überzugehen, ohne Supercomputer zu benötigen, deren Betrieb ein Vermögen kosten würde.

Im zweiten Schritt wandten die Forscher ein leistungsstarkes Werkzeug des maschinellen Lernens namens XGBoost auf die verbleibenden eine Million Marker an. Dieses Werkzeug ist darauf ausgelegt, zu lernen, welche Merkmale am wichtigsten für eine Vorhersage sind. Durch das Training des Computers mit dem reduzierten Datensatz konnte das System die SNPs danach ranken, wie gut sie halfen, das Herkunftsland einer Person vorherzusagen. Das Team stellte fest, dass diese Kombination aus einem groben ersten Filter gefolgt von einer intelligenten zweiten Auswahl weita viel besser funktionierte, als das intelligente Werkzeug auf den vollständigen Datensatz anzuwenden oder eine Zufallsauswahl zu treffen. Tatsächlich hätte die direkte Anwendung des intelligenten Werkzeugs auf die vollen 61 Millionen Marker schätzungsweise 1.250 Stunden Computerzeit und eine enorme Menge an Arbeitsspeicher erfordert, während ihre zweistufige Methode die Aufgabe in etwa 50 Stunden erledigte. Dies stellt eine fünfundzwanzigfache Verbesserung der Effizienz dar und macht hochgradige genetische Analysen auf Standardhardware zugänglich.

Die Ergebnisse dieses optimierten Prozesses waren beeindruckend. Unter Verwendung der sorgfältig ausgewählten SNP-Teilmengen trainierten die Forscher einen Klassifikator, um den geografischen Ursprung von Individuen zu erraten. Für viele Populationen erreichte das Modell eine nahezu perfekte Genauigkeit. Beispielsweise konnte das System Individuen aus Finnland, Japan und mehreren afrikanischen Gruppen mit fast keinen Fehlern identifizieren, selbst wenn sehr kleine Zahlen von genetischen Markern verwendet wurden. Einige Populationen, wie die Esan aus Nigeria, konnten mit nur 128 SNPs identifiziert werden, während andere, wie die puerto-ricanische Bevölkerung, bis zu 8.192 Marker benötigten, um dieselbe Genauigkeit zu erreichen. Diese Variation deutet darauf hin, dass verschiedene Gruppen unterschiedliche genetische Strukturen haben, wobei einige deutlicher von ihren Nachbarn unterscheidbar sind als andere. Die Studie zeigte auch, dass bestimmte Gruppen, wie die Briten, schwieriger voneinander zu unterscheiden waren, was wahrscheinlich auf eine gemeinsame genetische Geschichte und eine hohe Diversität innerhalb der Population zurückzuführen ist.

Trotz dieser Erfolge waren die Forscher sorgfältig darin, die Grenzen ihrer Arbeit zu benennen. Sie räumten ein, dass ihre Methode primär ein Werkzeug ist, um die Analyse überhaupt erst möglich zu machen, und keine perfekte Lösung für jede genetische Frage darstellt. Die Genauigkeit für einige Länder blieb moderat, was sie auf kleine Stichprobenmengen und die komplexe Realität zurückführten, dass politische Grenzen nicht immer mit genetischen Grenzen übereinstimmen. Sie wiesen auch darauf hin, dass ihre Studie Menschen mit gemischter Abstammung nicht vollständig berücksichtigte – eine wachsende Demografie in der modernen Welt, die einfache geografische Labels erschwert. Dennoch liefert die Studie einen klaren, praktischen Bauplan dafür, wie man mit der Flut an Genomdaten umgeht. Indem sie bewiesen haben, dass eine zweistufige Filterstrategie die Rechenzeit drastisch verkürzen kann, während die Genauigkeit erhalten bleibt, hat das Team einen gangbaren Weg für Forscher aufgezeigt, die massive genetische Datensätze analysieren müssen, ohne Zugang zu den teuersten Rechenressourcen zu haben.