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

El genoma humano es una vasta biblioteca de instrucciones biológicas, escritas en un código compuesto por cuatro letras químicas. Dentro de este código, diminutas variaciones llamadas polimorfismos de nucleótido único, o SNPs, actúan como marcadores únicos que distinguen a una persona de otra. Estos marcadores están dispersos por todo el genoma y, cuando los científicos los recolectan de miles de personas, crean conjuntos de datos tan masivos que contienen decenas de millones de estos puntos genéticos. El desafío para los investigadores no es solo almacenar esta información, sino darle sentido. Cuando el número de marcadores genéticos supera con creces el número de personas estudiadas, los programas informáticos estándar luchan por encontrar la señal en el ruido. A menudo se ven abrumados, lo que provoca errores o requiere una potencia de cálculo que simplemente no existe. Esto crea un cuello de botella para comprender cómo las diferencias genéticas se relacionan con el lugar de procedencia de los ancestros de una persona, una pregunta que está en el corazón de la genética de poblaciones moderna.

Un equipo de investigadores de Corea del Sur ha desarrollado una nueva forma de navegar por este desierto digital, convirtiendo una montaña de datos genéticos en un camino manejable. Se centraron en un conjunto de datos del Proyecto 1000 Genomas, que contiene información genética de más de 3,000 individuos que representan a 26 países diferentes. Los datos brutos contenían aproximadamente 61 millones de SNPs, un número tan grande que intentar analizarlo todo a la vez con herramientas avanzadas de aprendizaje automático habría sido imposible en ordenadores estándar. Los investigadores se dieron cuenta de que la mayoría de estos marcadores genéticos eran redundantes o poco informativos para la tarea específica de identificar el origen geográfico de una persona. Para resolver esto, diseñaron un proceso de dos pasos para filtrar los datos, eliminando primero el ruido obvio y luego utilizando un algoritmo inteligente para encontrar las pistas más valiosas.

El primer paso de su método fue un barrido amplio, actuando como un tamiz para capturar los marcadores genéticos más activos. El equipo calculó cuánto variaba cada SNP entre las diferentes personas del estudio. Los marcadores que mostraban muy poco cambio fueron descartados porque no podían ayudar a distinguir entre poblaciones. Este filtro simple basado en la varianza redujo el conjunto de datos de 61 millones de marcadores a aproximadamente un millón. Aunque esta fue una reducción masiva, todavía era demasiado grande para que las herramientas de análisis más sofisticadas pudieran manejarla rápidamente. Sin embargo, este paso preliminar fue crucial porque transformó una tarea imposible en una práctica, permitiendo a los investigadores pasar a la segunda fase sin necesidad de superordenadores que costarían una fortuna de ejecutar.

En el segundo paso, los investigadores aplicaron una poderosa herramienta de aprendizaje automático llamada XGBoost a el millón de marcadores restantes. Esta herramienta está diseñada para aprender qué características son más importantes para realizar una predicción. Al entrenar a la computadora con el conjunto de datos reducido, el sistema podía clasificar los SNPs según qué tan bien ayudaban a predecir el país de origen de una persona. El equipo descubrió que esta combinación de un primer filtro grueso seguido de una segunda selección inteligente funcionaba mucho mejor que intentar usar la herramienta inteligente en el conjunto de datos completo o utilizar una selección aleatoria. De hecho, aplicar la herramienta inteligente directamente a los 61 millones de marcadores habría requerido un estimado de 1,250 horas de tiempo de computación y una cantidad masiva de memoria, mientras que su método de dos pasos completó el trabajo en aproximadamente 50 horas. Esto representa una mejora de veinticinco veces en la eficiencia, haciendo que el análisis genético de alto nivel sea accesible en hardware estándar.

Los resultados de este proceso optimizado fueron sorprendentes. Utilizando los subconjuntos cuidadosamente seleccionados de SNPs, los investigadores entrenaron un clasificador para adivinar el origen geográfico de los individuos. Para muchas poblaciones, el modelo logró una precisión casi perfecta. Por ejemplo, el sistema pudo identificar correctamente a individuos de Finlandia, Japón y varios grupos africanos con casi ningún error, incluso utilizando un número muy pequeño de marcadores genéticos. Algunas poblaciones, como los Esan de Nigeria, pudieron ser identificadas con tan solo 128 SNPs, mientras que otras, como la población puertorriqueña, requirieron hasta 8,192 marcadores para alcanzar el mismo nivel de precisión. Esta variación sugiere que diferentes grupos tienen diferentes estructuras genéticas, con algunos siendo más distintos de sus vecinos que otros. El estudio también reveló que ciertos grupos, como los británicos, eran más difíciles de distinguir entre sí, probablemente debido a una historia genética compartida y una alta diversidad dentro de la población.

A pesar de estos éxitos, los investigadores fueron cuidadosos al señalar los límites de su trabajo. Reconocieron que su método es primordialmente una herramienta para hacer posible el análisis, más que una solución perfecta para cada pregunta genética. La precisión para algunos países siguió siendo modesta, lo cual atribuyeron a los pequeños tamaños de muestra y a la compleja realidad de que las fronteras políticas no siempre coinciden con las fronidades genéticas. También señalaron que su estudio no tuvo plenamente en cuenta a las personas con ascendencia mixta, un grupo demográfico creciente en el mundo moderno que complica las etiquetas geográficas simples. No obstante, el estudio proporciona un plano claro y práctico sobre cómo manejar la avalancha de datos genómicos. Al demostrar que una estrategia de filtrado de dos pasos puede reducir drásticamente el tiempo de computación preservando la precisión, el equipo ha ofrecido un camino viable para los investigadores que necesitan analizar conjuntos de datos genéticos masivos sin tener acceso a los recursos de computación más costosos.