An interpretable machine learning framework for dog breed inference and ancestry decomposition

Resumen Técnico: Un Marco de Aprendizaje Automático Interpretable para la Inferencia de Razas Caninas y la Descomposición de la Ancestría

Planteamiento del Problema
A pesar de la existencia de más de 300 razas de perros domésticos reconocidas, las cuales representan el resultado de siglos de selección artificial y cuellos de botella poblacionales, inferir la identidad de una raza específica a partir de datos genómicos sigue siendo un desafío significativo. Las dificultades actuales surgen de la alta dimensionalidad de los datos de genotipos, el muestreo desigual entre las diferentes razas y la prevalencia de la mezcla en individuos de raza mixta. Si bien las etiquetas de raza son un estándar en la investigación genética y veterinaria, los métodos existentes tienen dificultades para clasificar con precisión estos perfiles genéticos complejos, particularmente al distinguir entre perros de raza pura y perros de raza mixta con diversos grados de ascendencia.

Metodología
Para abordar estos desafíos, los autores proponen un marco de aprendizaje automático interpretable diseñado para inferir etiquetas de raza a partir de datos de SNP de genoma completo. El enfoque integra dos componentes primarios:

1. Reducción de la Dimensionalidad: Este paso reduce la complejidad de los datos de genotipo de alta dimensionalidad a un espacio de características más manejable.
2. Modelo de Bosque Aleatorio de Salida Múltiple (Multi-Output Random Forest): El núcleo del marco es un modelo de bosque aleatorio que mapea la variación genética hacia una representación continua de la pertenencia a una raza. A diferencia de los clasificadores binarios tradicionales, este modelo permite tanto la clasificación de perros de raza pura como la inferencia de las proporciones de la ascendencia de perros de raza mixta.

El marco fue validado utilizando el conjunto de datos del Dog Aging Project (DAP), que comprende 6,572 perros (tanto de raza pura como de raza mixta) a través de 100 clases de razas distintas. El estudio también introdujo una métrica específica para las puntuaciones de importancia de SNP, la cual vincula las predicciones del modelo con variantes genéticas individuales para asegurar la interpretabilidad.

Resultos Clave

• Desempeño Predictivo: El marco propuesto alcanzó una precisión del 91.7% basada en una métrica de superposición. Este desempeño superó a un método de referencia que utiliza ADMIXTURE, el cual alcanzó un 87.8% de precisión en el mismo conjunto de datos.
• Eficiencia de Características: El estudio demostró que el poder predictivo del modelo es altamente eficiente; tan solo 150 SNPs informativos fueron suficientes para alcanzar un rendimiento casi máximo. Este hallazgo subraya la naturaleza altamente estructurada de la variación genética canina.
• Interpretabilidad Biológica: El análisis de las variantes con mayor rango identificadas por la puntuación de importancia de SNP reveló loci previamente asociados con rasgos morfológicos, de pigmentación y de comportamiento. Además, el modelo destacó loci candidatos que carecen de anotación fenotípica previa, lo que sugiere la capacidad del marco para identificar nuevas asociaciones genéticas.

Significancia y Reivindicaciones
El artículo afirma que este marco ofrece una solución robusta, flexible e interpretable para predecir la ascendencia de las razas. Al mapear con éxito los datos genéticos hacia la pertenencia continua a una raza, el método aborda las limitaciones de las herramientas actuales para manejar individuos de raza mixta. Los autores aseguran que el marco tiene aplicaciones directas en:

• Genómica Veterinaria: Mejorando la precisión de la identificación de razas para estudios clínicos y relacionados con la salud.
• Genética de Poblaciones Caninas: Proporcionando una comprensión más clara de la estructura de las razas y la mezcla.
• Descubrimiento Fenotípico: Asistiendo en la identificación de loci que subyacen a los fenotipos distintivos de las razas a través de la interpretación de las puntuaciones de importancia de SNP derivadas del modelo.

El trabajo enfatiza que el marco no solo mejora la precisión de la clasificación, sino que también cierra la brecha entre las predicciones del aprendizaje automático y la relevancia biológica, permitiendo a los investigadores rastrear las decisiones del modelo hasta variantes genéticas específicas.