Model selection in ADMIXTURE can be inconsistent: proof of the K=2 phenomenon

Este artículo demuestra teóricamente que el método ΔK, utilizado comúnmente para seleccionar el número de poblaciones ancestrales en herramientas como STRUCTURE y ADMIXTURE, puede ser inconsistente y favorecer erróneamente valores bajos de K (como K=2) incluso con datos infinitos.

Lo esencial

Imagina que tienes una caja gigante llena de canicas de muchos colores diferentes. Tu trabajo es intentar adivinar cuántos "grupos de origen" distintos hay detrás de esas canicas. ¿Son solo dos grupos (rojos y azules)? ¿O hay tres (rojos, azules y verdes)?

Este es el problema que intentan resolver dos programas informáticos muy famosos en genética: STRUCTURE y ADMIXTURE. Estos programas miran el ADN de las personas (o animales) y tratan de decirnos: "Esta persona es 50% de un grupo ancestral y 50% de otro".

Pero hay un truco: para que el programa funcione, tú tienes que decirle de antemano cuántos grupos crees que existen. A esto le llamamos K.

• Si pones K=2, el programa buscará solo dos grupos.
• Si pones K=3, buscará tres.

El problema es que a menudo no sabemos cuál es el número correcto. Para ayudar a los científicos a elegir, existe una regla muy popular llamada $\Delta$K (Delta K), inventada por un científico llamado Evanno. Esta regla funciona como un "detective de curvas": mira cómo mejora la explicación del programa al aumentar el número de grupos y busca un punto donde la mejora se detiene o cambia de forma brusca (un "codo" en la gráfica).

El Problema: El "Efecto K=2"

Durante años, los científicos han notado algo extraño y frustrante: la regla $\Delta$K parece tener una obsesión. Casi siempre elige K=2, incluso cuando hay claramente tres, cuatro o cinco grupos distintos en los datos.

Es como si tuvieras una ensalada con lechuga, tomate y pepino, y el chef te dijera: "¡Seguro que esto solo tiene dos ingredientes!". Aunque tú veas claramente tres, el chef insiste en que solo hay dos. Esto es peligroso porque en biología, si no ves los grupos correctos, podrías tomar malas decisiones sobre cómo proteger especies en peligro o entender enfermedades.

¿Qué descubrieron los autores de este papel?

Los autores, Dat Do y Jonathan Terhorst, decidieron investigar por qué ocurre esto. No solo hicieron experimentos, sino que hicieron matemáticas puras para probar que, bajo ciertas condiciones, la regla $\Delta$K está "rota" de forma fundamental.

Aquí está la explicación sencilla usando una analogía:

La Analogía de las Islas y el Puente

Imagina tres islas:

1. Isla A (muy lejos de las otras).
2. Isla B y Isla C (que están muy cerca una de la otra, casi como si tuvieran un puente invisible entre ellas).

La gente en la Isla A tiene un ADN muy diferente. La gente en las Islas B y C tiene un ADN muy similar, porque están tan cerca que se mezclan mucho.

Cuando el programa intenta adivinar cuántas islas hay:

• La diferencia entre A y (B+C) es enorme.
• La diferencia entre B y C es muy pequeña.

El método $\Delta$K funciona midiendo cuánto "mejora" la historia cuando agregas un grupo más.

• Si pasas de 1 grupo a 2, la historia mejora muchísimo (porque separas a la Isla A de las otras dos). ¡Gran salto!
• Si pasas de 2 grupos a 3, la historia mejora muy poco (porque solo estás separando a la Isla B de la C, que son casi iguales).

El truco matemático: El método $\Delta$K busca el "codo" o el cambio más dramático. Como el salto de 1 a 2 fue gigante y el de 2 a 3 fue diminuto, el método piensa: "¡Ahí está el codo! Me quedo con 2".

Los autores demostraron que, si las islas B y C están lo suficientemente cerca (si su diferencia genética es pequeña comparada con la diferencia total), el método nunca verá el tercer grupo, incluso si tienes datos infinitos. Es un error sistemático, no un accidente.

¿Cuándo pasa esto?

Pasa cuando las poblaciones son demasiado similares entre sí en comparación con la población principal. En términos científicos, usan una medida llamada $F_{ST}$ (que mide qué tan diferentes son los grupos).

• Si la diferencia entre los grupos pequeños es muy baja (como en poblaciones humanas modernas que han estado migrando mucho), el método falla y te dice que solo hay 2 grupos.
• Si la diferencia es alta, el método funciona bien.

La Conclusión para la Vida Real

Este papel es importante porque nos dice: "No confíes ciegamente en la regla automática".

1. La regla $\Delta$K tiene un sesgo: Tiende a simplificar demasiado la realidad cuando las diferencias son sutiles.
2. No es un error de computadora: Es una limitación matemática de cómo funciona la regla.
3. Qué hacer: Los científicos no deben elegir solo un número mágico (como K=2) y terminar ahí. Deben mirar los resultados para varios números (K=2, K=3, K=4) y usar su conocimiento biológico para decidir cuál tiene más sentido.

En resumen:
El método $\Delta$K es como un mapa que a veces decide que dos ciudades vecinas son la misma ciudad porque están muy cerca, ignorando que en realidad son dos lugares distintos. Los autores de este papel han demostrado matemáticamente por qué el mapa falla en esos casos y nos advierten que debemos mirar más allá del mapa automático para ver la verdad completa.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Resumen Técnico: Inconsistencia en la Selección de Modelos en ADMIXTURE y la Prueba del Fenómeno $K=2$

Autores: Dat Do y Jonathan Terhorst
Fecha: 27 de febrero de 2026 (Preprint bioRxiv)

1. El Problema

En el análisis de datos genéticos, métodos basados en modelos como STRUCTURE y ADMIXTURE son fundamentales para detectar la estructura poblacional. Estos métodos asumen que los genotipos observados son mezclas de $K$ poblaciones ancestrales latentes. Un desafío crítico es seleccionar el número correcto de poblaciones ($K$).

Aunque existen varios criterios, el método más utilizado es el $\Delta K$ de Evanno (2005), que identifica un "codo" (punto de inflexión) en la segunda derivada del log-verosimilitud a medida que aumenta $K$. Sin embargo, se ha observado empíricamente que $\Delta K$ tiende a subestimar $K$, seleccionando frecuentemente $K=2$ incluso cuando existe una subestructura poblacional más compleja y significativa. Esta tendencia tiene implicaciones graves para la conservación y gestión de especies, pero carecía hasta ahora de una explicación matemática rigurosa.

2. Metodología

Los autores se centran en la estimación de máxima verosimilitud (MLE) utilizada por ADMIXTURE. Su enfoque teórico incluye:

• Definición del Modelo: Se asume un modelo de mezcla haploide donde $N$ individuos en $L$ SNPs provienen de $K_0$ poblaciones verdaderas con frecuencias alélicas $P^0$ y proporciones de mezcla $Q^0$.
• Criterio de Selección: Analizan una versión no normalizada del criterio de Evanno. Para un $K$ dado, calculan el log-verosimilitud promedio $\hat{L}(K)$. Luego, definen la segunda diferencia (cambio de segundo orden) como:
  $$\hat{\Delta}(K) = |2\hat{L}(K) - \hat{L}(K-1) - \hat{L}(K+1)|$$
  La selección del modelo se realiza eligiendo $\hat{K} = \arg \max \hat{\Delta}(K)$.
• Supuestos Asintóticos:
  • Acotación: Las frecuencias alélicas están acotadas lejos de 0 y 1 (para evitar divergencias en la verosimilitud).
  • Estructura de Datos: Se considera un caso idealizado donde los individuos pertenecen puramente a una de las tres poblaciones ($K_0=3$), maximizando la señal de estructura.
• Medidas de Divergencia: Utilizan la Divergencia de Kullback-Leibler (KL) entre las distribuciones de frecuencias alélicas de las poblaciones para cuantificar la separación genética. Definen métricas de dispersión global ($D_{31}$) y de subestructura ($D_{32}$).

3. Contribuciones Clave

El artículo aporta la primera explicación teórica rigurosa del fenómeno de $K=2$:

1. Prueba de Inconsistencia: Demuestran que el método $\Delta K$ puede ser inconsistente. Esto significa que, incluso con datos infinitos ($N, L \to \infty$), el método puede fallar en identificar el número verdadero de poblaciones ($K_0=3$) y seleccionar incorrectamente $K=2$.
2. Condición Suficiente de Fallo: Establecen una condición matemática precisa basada en la divergencia poblacional. El método falla si la pérdida de información al fusionar dos poblaciones cercanas es pequeña en comparación con la heterogeneidad total. Formalmente, si:
   $$D_{32} < \frac{1}{3} D_{31}$$
   donde $D_{32}$ es la divergencia entre las dos poblaciones más cercanas y $D_{31}$ es la dispersión total de las tres.
3. Modelo Genético Realista: Conectan esta condición abstracta con un modelo de genética de poblaciones realista (modelo anidado de Balding-Nichols). Demuestran que la inconsistencia ocurre cuando los parámetros de deriva genética ($F_{root}$ y $F_{sub}$) satisfacen una relación específica:
   $$\frac{F_{root}}{F_{sub}} > \frac{3}{4}$$
   Esto implica que cuando las poblaciones están muy relacionadas (bajo $F_{ST}$) y la estructura jerárquica es pronunciada, $\Delta K$ colapsa la estructura real.

4. Resultados

• Simulaciones Numéricas: Los autores realizaron simulaciones con 2000 SNPs y 150 individuos (50 por población) bajo el modelo de Balding-Nichols.
• Transición de Fase: Los resultados mostraron una transición clara cerca del umbral teórico predicho ($F_{root}/F_{sub} = 0.75$).
  • Cuando la distancia genética entre las dos poblaciones cercanas ($F_{sub}$) es fija y $F_{root}$ es pequeño, el método selecciona correctamente $K=3$.
  • A medida que $F_{root}$ aumenta (haciendo que las poblaciones sean más divergentes entre sí pero manteniendo la jerarquía), el método tiende a fusionar las dos poblaciones cercanas, seleccionando $K=2$.
• Validez del Umbral: Las simulaciones confirmaron que el límite teórico predicho por el Teorema 2 coincide con el comportamiento observado en los datos simulados.

5. Significado e Implicaciones

• Explicación Teórica: Este trabajo resuelve el misterio de por qué $\Delta K$ falla sistemáticamente en escenarios de poblaciones cercanas, demostrando que no es un error de implementación, sino una limitación inherente del criterio de segundo orden bajo ciertas condiciones de divergencia.
• Advertencia Práctica: Los autores enfatizan que $\Delta K$ no debe usarse como el único criterio de selección, especialmente en estudios de conservación donde se espera estructura fina. Se recomienda reportar resultados para un rango de $K$ y utilizar criterios adicionales.
• Generalización: Aunque el estudio se centra en MLE y $\Delta K$, los autores sugieren que otros métodos que comparan log-verosimilitudes para diferentes $K$ podrían ser vulnerables al mismo fenómeno de subajuste (underfitting) cuando las poblaciones están estrechamente relacionadas.

En conclusión, el paper demuestra matemáticamente que la búsqueda de un "codo" en la verosimilitud puede llevar a una subestimación sistemática de la complejidad poblacional, proporcionando un marco teórico para interpretar y mitigar este error en la práctica genómica.