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

Resumen Técnico: Qué limita la inferencia de la ascendencia local en condiciones de baja divergencia

Planteamiento del problema
La inferencia de la ascendencia local (LAI, por sus siglas en inglés) asigna las posiciones genómicas en individuos admixture a poblaciones de origen, un prerrequisato para el mapeo de mezcla (admixture mapping) y las pruebas de asociación específicas de la ascendencia. Mientras que los métodos rutinarios de LAI funcionan bien en fuentes altamente divergentes (por ejemplo, africanos/europeos/nativos americanos, $F_{ST} \approx 0.1$), su eficacia en poblaciones estrechamente relacionadas (por ejemplo, chinos Han del norte frente al sur, $F_{ST} \approx 0.0004$) no ha sido probada. Los benchmarks actuales dependen en gran medida de simulaciones coalescentes y métricas de precisión por sitio, que pueden no reflejar la estructura a nivel de tractos requerida para análisis posteriores como la datación de la mezcla. Este estudio investiga los límites de viabilidad de la LAI en baja divergencia, la validez de los benchmarks basados en simulaciones y las contribuciones relativas de la representación de la entrada frente a la arquitectura del modelo.

Metodología
El autor evaluó cinco métodos a través de un gradiente continuo de divergencia de las fuentes ($F_{ST}$ de 0.0022 a 0.243) utilizando dos pistas de datos distintas:

1. Simulaciones coalescentes: Se simularon eventos de mezcla de dos vías con etiquetas de verdad absoluta generadas mediante el mosaico de haplotipos donantes.
2. Haplotipos reales: Se aplicó la misma construcción de mosaico a haplotipos de 1000 Genomes con fase determinada (phased) en 11 pares de poblaciones (abarcando grupos de Asia Oriental, Europa y el Sur de Asia).

Métodos comparados:

• Baselines: Un clasificador de ventana de máxima verosimilitud y un clasificador de máxima verosimilitud suavizado por un Modelo Oculto de Markov (HMM).
• Herramientas publicadas: RFMix v2 y FLARE.
• Red Neuronal: Una red neuronal convolucional (CNN) dilatada entrenada para la segmentación por sitio. La red se probó en dos configuraciones:
  • Solo frecuencia: La entrada consiste en frecuencias alélicas y razones de log-verosimilitud.
  • Conciencia de haplotipo: La misma arquitectura aumentada con cuatro canales que resumen el emparejamiento de haplotipos locales contra paneles de referencia.

Contribuciones clave y hallazgos

1. Existe un suelo de viabilidad
Existe un límite estricto para el rendimiento de la LAI determinado por el contenido de información de los datos más que por la sofisticación algorítmica.

• Con $F_{ST} = 0.0022$, ningún método supera una precisión de 0.575.
• Para el par CHB/CHS ($F_{ST} = 0.00042$), la mejor precisión es 0.551.
• Por debajo de estos umbrales, las diferencias entre métodos son menores que la variabilidad entre ejecuciones, lo que indica que los datos contienen una señal insuficiente para distinguir las fuentes. Esto implica que las inferencias publicadas de tractos de ascendencia a escala fina dentro de tales poblaciones (por ejemplo, dentro de los chinos Han o dentro de Europa) carecen de sustento bajo las condiciones actuales.

2. La precisión por sitio es una métrica engañosa
La métrica estándar, la precisión por sitio, no logra capturar la integridad estructural del mosaico inferido.

• La CNN dilatada logró una alta precisión por sitio en las simulaciones, pero produjo 78.8 veces más tractos de ascendencia que la verdad, lo que implica un tiempo de mezcla 61.2 veces más antiguo de la realidad.
• En contraste, RFMix y FLARE produjeron recuentos de tractos cercanos a la verdad.
• Aplicar un decodificador Viterbi (usando un prior de transición fijo basado en la recombinación) a los logits de la CNN corrigió la estructura de los tractos (reduciendo el error a 1.56×) con un costo insignificante para la precisión por sitio (+0.0002). Esto demuestra que la métrica es ciega a los defectos que vuelven los resultados inutilizables para la datación de la mezcla.

3. La simulación no predice el rendimiento en el mundo real
La ventaja de un método aprendido en la simulación no se transfiere a los datos reales.

• En las simulaciones, la CNN dilatada superó al mejor método publicado por hasta 0.048 en baja divergencia.
• En los haplotipos reales de 1000 Genomes, la CNN fue superada por las herramientas publicadas en 10 de 11 pares, con un déficit medio de -0.032.
• Esta discrepancia no se debe a que el simulador genere datos "más limpios"; los paneles simulados realmente portaban una señal de haplotipo explotable mayor que los paneles reales en una divergencia equivalente. El fallo radica en que la red de solo frecuencia depende de información que es insuficiente en los cromosomas reales, mientras que las herramientas publicadas utilizan información completa de haplotipos.

4. La representación de la entrada es el principal cuello de botella
La brecha de rendimiento es impulsada por la representación de la entrada más que por las elecciones arquitectónicas.

• Intervenciones arquitectónicas: Las variaciones en los mecanismos de atención, las capas de espacio de estados, la capacidad y el preentrenamiento movieron la precisión en un máximo de 0.006.
• Intervenciones de entrada: Suministrar a la CNN canales de emparejamiento de haplotipos (igualando la entrada de RFMix/FLARE) recuperó +0.031 de precisión en 8 de 8 pares por debajo de $F_{ST} = 0.04$.
• Sin embargo, incluso con esta paridad de entrada, la red se mantuvo por detrás de las herramientas publicadas en 10 de 11 pares, lo que sugiere que, si bien la entrada es necesaria, no es suficiente para cerrar la brecha por completo. La red solo superó a las herramientas publicadas en el par CEU/TSI ($F_{ST} = 0.0027$), el par menos divergente donde cualquier método resultó informativo.

5. El tamaño del panel de referencia y las estadísticas importan más que la arquitectura
Se encontró que dos factores convencionalmente mantenidos fijos en las comparaciones son más influyentes que el diseño arquitectónico:

• Estadístico de resumen: Los métodos neuronales suelen utilizar tasas de acuerdo (distancia de Hamming), mientras que los modelos de copia (RFMix/FLARE) utilizan longitudes de acuerdo contiguas (estadísticos suficientes para el modelo de Li–Stephens). La contigüidad es más discriminativa pero solo proporciona un beneficio cuando el panel de referencia es pequeño; actúa como un sustituto del tamaño del panel en lugar de una señal independiente.
• Tamaño del panel: Ningún método se acercó a la saturación. Aumentar el panel de referencia de 80 a 100 haplotipos mejoró la precisión para todos los métodos (incluyendo la CNN, RFMix y FLARE) sin cambiar su orden relativo.

6. Sensibilidad a los errores de fase (phasing)
Los errores de cambio de fase fragmentan los haplotipos sin alterar las frecuencias alélicas.

• Los métodos que dependen de la integración de largo alcance (como la CNN de solo frecuencia) son más sensibles a estos errores, sufriendo una mayor pérdida de precisión que los métodos que no integran el contexto (ventana de verosimilitud) o aquellos que modelan explícitamente los haplotipos (RFMix/FLARE).
• Añadir canales de emparejamiento de haplotipos redujo esta sensibilidad, haciendo que la configuración con conciencia de haplotipo fuera más robusta a los errores de fase que la versión de solo frecuencia.

Significado y Reivindicaciones
El artículo argumenta que las limitaciones de la LAI en baja divergencia son principalmente impulsadas por los datos (señal insuficiente en el genoma) y por la representación (información de entrada desajustada), más que por un fallo en las arquitecturas de inferencia aprendidas. Destaca tres trampas específicas en las prácticas de evaluación actuales:

1. Confiar en la precisión por sitio, lo que enmascara fallos estructurales críticos para el análisis posterior.
2. Validar únicamente en simulaciones, lo que puede inflar artificialmente el rendimiento de los métodos aprendidos en comparación con las herramientas publicadas.
3. Comparar métodos con representaciones de entrada desiguales (por ejemplo, solo frecuencia frente a conciencia de haplotipo).

El autor concluye que, para poblaciones estrechamente relacionadas, el "suelo" del rendimiento está determinado por el contenido de información de los datos. Si bien el suministro de información de haplotipos mejora el rendimiento, no garantiza la paridad con las herramientas establecidas, y las afirmaciones de inferencia de la ascendencia a escala fina en estos regímenes requieren un soporte independiente más allá de la propia inferencia. El estudio sugiere que los futuros benchmarks deben reportar estadísticas a nivel de tracto, validar en haplotipos reales y asegurar la paridad de entrada entre los métodos comparados.