Computing coalescence rates for complex demographies and sampling configurations

Este artículo presenta *demestats*, una biblioteca de software que calcula tasas de coalescencia para configuraciones de muestreo arbitrarias en modelos demográficos complejos, superando las limitaciones de los métodos basados en pares para inferir historias poblacionales recientes y aplicándose con éxito a datos del Proyecto 1000 Genomas.

Lo esencial

Imagina que la historia de la humanidad es como una inmensa árbol genealógico gigante, pero en lugar de ramas de madera, está hecho de ADN. Cada vez que dos personas comparten un ancestro común, sus líneas de ADN se "fusionan" o se unen en un punto del pasado. A esto los científicos le llaman coalescencia.

El problema es que reconstruir este árbol es como intentar adivinar la historia de una ciudad solo mirando las fotos de dos personas en una plaza. Si solo miras a dos personas (una pareja), puedes ver quiénes son sus abuelos o bisabuelos, pero es muy difícil saber qué pasó hace 100 años o si hubo una gran migración reciente. Es como intentar adivinar el clima de la semana pasada mirando solo una gota de lluvia.

Aquí es donde entra el nuevo trabajo de Jiatong Liang y Jonathan Terhorst, quienes han creado una herramienta llamada demestats.

¿Qué hace "demestats"? (La analogía del "Gran Cuento")

Imagina que quieres saber la historia de una fiesta.

• El método antiguo (Parejas): Solo hablas con dos invitados. Te dicen: "Mi abuelo vino de Italia". Eso te da una pista, pero es una historia muy pequeña y borrosa sobre el pasado reciente.
• El nuevo método (demestats): En lugar de hablar con dos personas, demestats reúne a un grupo grande (digamos, 50 invitados) y les pide que cuenten sus historias al mismo tiempo.

Al escuchar a 50 personas a la vez, el software puede detectar patrones que antes eran invisibles:

1. Detecta cambios recientes: Si hace poco tiempo hubo una explosión de gente en la fiesta (crecimiento poblacional), escuchar a 50 personas te permite ver ese evento con mucha más claridad que escuchar a solo dos.
2. Detecta mezclas: Si dos grupos de gente (por ejemplo, europeos y asiáticos) se mezclaron hace poco, ver a muchas personas de ambos grupos en el mismo árbol ayuda a detectar ese "choque" o mezcla mucho mejor.

¿Cómo funciona la magia? (Sin matemáticas complicadas)

Los autores dicen que calcular esto para 50 personas es como intentar resolver un rompecabezas de 10,000 piezas a la vez; es demasiado lento. Así que demestats usa dos trucos inteligentes:

1. El cálculo exacto (para grupos pequeños): Si el grupo es manejable, lo calcula pieza por pieza, con total precisión.
2. La aproximación "promedio" (para grupos grandes): Si el grupo es enorme, en lugar de contar cada pieza individual, el software calcula el "promedio" de lo que está pasando. Es como si, en lugar de contar cada gota de agua en un río, midieras la velocidad promedio del río. Es una estimación muy buena y mucho más rápida.

Además, el software es "inteligente" (diferenciable), lo que significa que si cambias un dato (como "¿cuánta gente había hace 500 años?"), el programa recalcula todo instantáneamente para ver si la historia encaja mejor.

¿Qué descubrieron con esto?

Usando esta herramienta en datos reales de la gente (el Proyecto 1000 Genomas), descubrieron cosas nuevas sobre nuestra historia reciente:

• El "boom" de la población: Confirmaron que la población humana ha crecido muy rápido en los últimos 7,500 a 10,000 años (desde la invención de la agricultura).
• Precisión: Al usar grupos grandes, pudieron estimar el tamaño actual de la población humana con mucha más precisión que antes. Por ejemplo, estimaron que la población efectiva de Europa hoy es de unos 2.7 millones (un número que representa la diversidad genética, no el número total de personas).

La advertencia final (El "ruido" en la grabación)

Los autores son muy honestos: su herramienta es excelente, pero depende de la calidad de la "grabación" que usen. Han usado árboles genealógicos reconstruidos por computadoras (no observados directamente, porque es imposible ver el pasado).

Es como si intentaras escuchar una canción antigua, pero la cinta magnética tiene un poco de estática. La herramienta demestats es un reproductor de alta fidelidad, pero si la cinta (los datos genéticos) está un poco distorsionada, la canción final podría sonar un poco diferente a la realidad. Aun así, es la mejor herramienta que tenemos ahora para escuchar la música de nuestra historia evolutiva.

En resumen:
demestats es un nuevo "microscopio" para la historia genética. Mientras que antes solo podíamos mirar a dos personas para ver el pasado lejano, ahora podemos mirar a grupos grandes para ver con claridad lo que pasó hace poco tiempo, revelando cómo crecimos y nos mezclamos en los últimos miles de años.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español:

Resumen Técnico: Cálculo de Tasas de Coalescencia para Demografías Complejas y Configuraciones de Muestreo

1. El Problema
La inferencia de la historia poblacional a partir de datos genéticos depende fundamentalmente de la distribución de los tiempos de coalescencia. Tradicionalmente, los métodos se han centrado en tasas de coalescencia pareadas (ICR, Instantaneous Coalescent Rate para $k=2$). Sin embargo, las tasas pareadas tienen un poder limitado para resolver la historia reciente, ya que las coalescencias recientes en muestras de tamaño dos son raras. Además, el cálculo exacto de las tasas de coalescencia para muestras más grandes ($k > 2$) o configuraciones de muestreo complejas ha sido un desafío computacional debido a la explosión del espacio de estados necesario para rastrear las configuraciones de linajes no resueltos. Los métodos existentes a menudo requieren derivaciones específicas para cada modelo demográfico, lo que limita su aplicabilidad general.

2. Metodología: La Librería demestats
Los autores presentan demestats, una biblioteca de software en Python diseñada para calcular funciones de tasa de primera coalescencia y coalescencia cruzada para modelos demográficos estructurados especificados en el formato demes.

• Fundamento Teórico: El método reutiliza la maquinaria de "árboles de eventos" (event-tree) desarrollada previamente para la familia de métodos momi (cálculo del Espectro de Frecuencia de Sitios, SFS). En lugar de calcular longitudes de ramas, demestats adapta los estados y operadores de intervalo para calcular observables basados en el tiempo de coalescencia.
• Cálculo Exacto: Para tamaños de muestra pequeños donde el espacio de estados es manejable, el algoritmo calcula la distribución exacta de la primera coalescencia. Utiliza dos formulaciones de estado (ocupación y linajes etiquetados) y aplica operadores locales (Split, Merge, Pulse, Admix) junto con una propagación continua en el tiempo (lift) que maneja la migración y la coalescencia mediante ecuaciones diferenciales o exponenciación de matrices.
• Aproximación de Campo Medio (Mean-Field): Para muestras grandes donde el cálculo exacto es prohibitivo, el método emplea aproximaciones basadas en momentos. En lugar de rastrear la distribución completa de los linajes, rastrea los primeros y segundos momentos (esperanzas y varianzas) de los conteos de linajes por población. Esto permite escalar el cálculo a tamaños de muestra grandes manteniendo una precisión razonable en configuraciones de muestreo balanceadas.
• Diferenciabilidad: La implementación es totalmente diferenciable con respecto a los parámetros del modelo, lo que permite su uso en inferencia basada en verosimilitud y análisis de sensibilidad.
• Análisis de Identificabilidad Local: Utiliza la información de Fisher calculada a partir de las derivadas de la densidad de la primera coalescencia para determinar qué parámetros demográficos son identificables dada una configuración de muestreo específica.

3. Contribuciones Clave

• Generalización a $k > 2$: Extiende el cálculo de tasas de coalescencia más allá del caso pareado, permitiendo el uso de muestras grandes para capturar señales demográficas recientes.
• Tasas de Coalescencia Cruzada (CCR): Generaliza el cálculo de tasas de coalescencia entre individuos de diferentes poblaciones (rojo/azul), lo cual es crucial para estudiar la separación poblacional reciente y la migración.
• Herramienta de Diagnóstico: Proporciona una forma sistemática de visualizar la información de Fisher sobre grafos demográficos, revelando qué partes de la historia poblacional son "invisibles" para un diseño de muestreo dado.
• Robustez ante Especificación de Modelo: Demuestra que, con tamaños de muestra grandes, la inferencia de parámetros recientes es menos sensible a la especificación incorrecta de eventos demográficos antiguos.

4. Resultados Principales

• Identificabilidad y Tamaño de Muestra: En modelos de una sola población (ej. Africa_1T12), las tasas pareadas ($k=2$) informan principalmente sobre la historia antigua, mientras que las tasas de primera coalescencia con muestras grandes ($k=20$ o $50$) desplazan la información hacia la historia reciente, permitiendo estimar el crecimiento poblacional actual con mayor precisión.
• Migración Reciente: El análisis de coalescencia cruzada muestra que la potencia para detectar migración muy reciente escala cuadráticamente con el número de linajes por población. Aumentar el tamaño de la muestra reduce drásticamente el número de árboles genealógicos independientes necesarios para detectar eventos de migración.
• Precisión de la Aproximación: La aproximación de campo medio es muy precisa en modelos de migración simétrica y equilibrada. Sin embargo, puede acumular errores significativos si todos los linajes se concentran en una población pequeña (alta coalescencia intra-poblacional), situación en la que se recomienda usar el solver exacto si es computacionalmente viable.
• Inferencia con ARGs Inferidos: Al aplicar el método a Árboles de Recombinación Ancestral (ARG) inferidos (usando tsinfer y tsdate), se observa que las distribuciones de tiempos de coalescencia de orden superior ($T_{50}$) tienden a desplazarse hacia el presente en comparación con los ARGs observados. A pesar de este sesgo, el método logra recuperar con éxito el tamaño efectivo actual y las tasas de crecimiento.
• Aplicación a 1000 Genomas: Al analizar datos del Proyecto 1000 Genomas con $k=50$, los autores estiman tasas de crecimiento reciente de entre 0.9% y 1.1% por generación y tamaños efectivos actuales del orden de millones, resultados consistentes con estudios previos pero con una resolución mejorada para la historia reciente.

5. Significado e Implicaciones
Este trabajo representa un avance significativo en la genética de poblaciones al superar la limitación de las estadísticas pareadas para la historia reciente. demestats permite:

1. Mejorar la resolución temporal: Utilizar muestras grandes para "acercar" la señal de coalescencia a la actualidad.
2. Optimizar diseños de muestreo: Identificar qué configuraciones de muestreo son necesarias para inferir parámetros específicos (ej. migración vs. tamaño poblacional).
3. Robustez: Facilitar la inferencia de parámetros recientes sin necesidad de modelar exhaustivamente (y potencialmente erróneamente) la historia demográfica profunda.

La principal limitación identificada es la dependencia de la calidad de los ARGs inferidos, que pueden distorsionar los tiempos de coalescencia de orden superior. No obstante, el método ofrece un marco flexible y computacionalmente eficiente para integrar datos de secuenciación masiva en la inferencia demográfica.