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

Cet article démontre théoriquement que la méthode ΔK d'Evanno, utilisée pour sélectionner le nombre de populations ancestrales (K) dans les logiciels STRUCTURE et ADMIXTURE, peut être incohérente en favorisant systématiquement K=2 même lorsque la structure réelle est plus complexe.

L'essentiel

🧬 Le mystère du "K=2" : Pourquoi l'ordinateur voit tout en noir et blanc

Imaginez que vous êtes un détective génétique. Votre mission est d'analyser l'ADN de milliers de personnes pour comprendre d'où elles viennent et comment leurs ancêtres se sont mélangés. Pour cela, les scientifiques utilisent des outils très puissants comme ADMIXTURE ou STRUCTURE.

Ces outils fonctionnent un peu comme un mélangeur de peinture : ils essaient de dire, "Tiens, cette personne est 60% rouge (Population A) et 40% bleu (Population B)".

Mais il y a un problème majeur : pour que le mélangeur fonctionne, vous devez lui dire combien de couleurs de base (de populations) il existe. C'est ce nombre qu'on appelle K.

• Si vous dites K=2, l'outil cherche seulement deux groupes.
• Si vous dites K=3, il cherche trois groupes.
• Et ainsi de suite.

Le grand dilemme ? Comment savoir quel est le bon nombre K ?

📉 La règle du "Coude" (La méthode ∆K)

Pour répondre à cette question, les chercheurs utilisent une astuce populaire appelée la méthode ∆K (inventée par Evanno).

Imaginez que vous tracez un graphique montrant à quel point l'outil est "content" de son travail (son score de précision) à mesure que vous augmentez le nombre de couleurs (K).

• Quand vous passez de 1 à 2 couleurs, le score grimpe très fort.
• Quand vous passez de 2 à 3, il grimpe encore, mais un peu moins.
• La méthode ∆K cherche le "coude" dans la courbe : le moment où l'amélioration commence à ralentir. C'est ce point qui devrait indiquer le vrai nombre de populations.

🚨 Le problème : L'outil s'arrête trop tôt !

Les scientifiques ont remarqué quelque chose de bizarre : même quand il y a clairement 3 groupes distincts dans la nature, la méthode ∆K s'arrête souvent à K=2. Elle dit : "Non, non, il n'y a que deux groupes !"

C'est comme si vous regardiez un arc-en-ciel et que votre cerveau vous disait : "Non, il n'y a que du bleu et du rouge." C'est une erreur qui peut avoir de graves conséquences, par exemple en biologie de la conservation, où l'on pourrait ignorer une espèce rare en pensant qu'elle fait partie d'un groupe plus large.

🔍 La preuve mathématique : Pourquoi ça arrive ?

Dans ce papier, les auteurs (Dat Do et Jonathan Terhorst) ont enfin trouvé la raison mathématique pour laquelle cela arrive. Ils ont prouvé que la méthode ∆K n'est pas toujours fiable, même si vous avez une quantité infinie de données.

Voici leur explication avec une analogie simple :

L'analogie du "Groupe de copains"
Imaginez trois groupes de personnes dans une grande salle :

1. Le Groupe 1 (les Américains).
2. Le Groupe 2 (les Français).
3. Le Groupe 3 (les Belges).

Les Français et les Belges sont très proches (ils parlent des langues similaires, mangent pareil). Les Américains sont un peu plus différents.

La méthode ∆K essaie de trouver le meilleur découpage.

• Si elle essaie de séparer les Français des Belges (K=3), elle doit faire un effort énorme pour trouver des différences subtiles.
• Si elle fusionne les Français et les Belges en un seul gros groupe "Européens" (K=2), l'erreur est très petite, car ils se ressemblent beaucoup.

Les auteurs montrent mathématiquement que si les différences entre les groupes sont trop faibles (ce qu'on appelle une faible "FST" en génétique), la méthode ∆K préfère ignorer la petite différence entre les Français et les Belges pour éviter de "sur-ajuster" le modèle. Elle choisit donc K=2 par confort, même si la réalité est K=3.

C'est comme si vous essayiez de distinguer deux nuances de bleu très proches. Si la différence est trop fine, votre œil (ou l'algorithme) préfère dire "C'est juste du bleu" plutôt que de risquer de se tromper en inventant une troisième catégorie.

🧪 La simulation : Le test de la réalité

Pour prouver leur théorie, les auteurs ont créé des simulations informatiques basées sur un modèle réaliste de l'évolution humaine (le modèle Balding-Nichols).

Ils ont créé des scénarios où il y avait réellement 3 populations.

• Quand les populations étaient très différentes, la méthode trouvait K=3. ✅
• Mais dès que les populations étaient proches (comme des cousins éloignés) et que la différence entre elles était faible, la méthode basculait inévitablement vers K=2. ❌

Ils ont même trouvé une "ligne de front" mathématique précise : si la différence entre les deux groupes proches est trop petite par rapport à la différence avec le troisième groupe, la méthode échouera toujours.

💡 Ce que cela signifie pour nous

Ce papier ne dit pas que la méthode ∆K est inutile. Il dit simplement qu'elle a un défaut de conception dans certains cas précis (quand les populations sont proches).

La leçon à retenir :
Ne faites jamais confiance à un seul chiffre magique (comme K=2) pour définir votre histoire génétique.

• Regardez toujours les résultats pour plusieurs valeurs de K.
• Utilisez votre bon sens biologique.
• Si vous voyez un "coude" à K=2 mais que vous savez qu'il y a des sous-groupes, ne les ignorez pas !

En résumé, les auteurs ont prouvé que parfois, notre meilleur outil pour compter les populations est "myope" et préfère voir le monde en deux couleurs, même quand il y en a trois. Maintenant que nous savons pourquoi, nous pouvons être plus prudents dans nos interprétations.

Résumé technique

1. Problématique

L'analyse de la structure des populations à partir de données génétiques repose souvent sur des méthodes de clustering comme STRUCTURE et ADMIXTURE. Ces méthodes modélisent les génotypes observés comme des mélanges de $K$ populations ancestrales latentes. Un paramètre critique est le nombre de populations $K$, qui doit être spécifié à l'avance.

Le choix de $K$ est un problème difficile. La méthode la plus répandue pour le sélectionner est la statistique $\Delta K$ proposée par Evanno et al. (2005), qui identifie un « coude » (elbow) dans la variation du log-vraisemblance en fonction de $K$. Cependant, les praticiens observent empiriquement que $\Delta K$ tend à sous-estimer $K$, favorisant souvent $K=2$ même lorsque des structures sous-jacentes plus complexes existent (par exemple, $K=3$ ou plus). Ce phénomène, appelé « phénomène $K=2$ », a des implications graves pour la conservation des espèces et la gestion génétique, mais il manquait jusqu'alors d'une explication mathématique rigoureuse.

2. Méthodologie

Les auteurs se concentrent sur l'estimation du maximum de vraisemblance (MLE) sous-jacente à la méthode ADMIXTURE. Leur approche théorique repose sur les étapes suivantes :

• Modèle : Ils considèrent un modèle d'admixture haploïde (générisable aux organismes polyploïdes) où $N$ individus et $L$ SNP sont générés par un mélange de $K_0$ populations réelles.
• Critère de sélection : Ils définissent une version non normalisée du critère $\Delta K$ basée sur le changement d'ordre deux du log-vraisemblance moyen ($\hat{L}(K)$) :
  $$\hat{\Delta}(K) := |2\hat{L}(K) - \hat{L}(K-1) - \hat{L}(K+1)|$$
  La valeur estimée $\hat{K}$ est celle qui maximise $\hat{\Delta}(K)$.
• Hypothèses :
  1. Les fréquences alléliques sont bornées loin de 0 et 1 (pour éviter la divergence du log-vraisemblance).
  2. Les individus sont purement issus d'une seule population ($Q_{nk} \in \{0, 1\}$), ce qui maximise le signal de structure.
• Outils théoriques : L'analyse utilise la divergence de Kullback-Leibler (KL) entre les distributions de fréquences alléliques des populations pour quantifier la divergence génétique. Ils comparent la perte d'information lors de la fusion de populations.

3. Contributions Clés

L'article apporte la première explication théorique rigoureuse de l'inconsistance de la méthode $\Delta K$ :

1. Preuve d'inconsistance asymptotique : Les auteurs démontrent que, même avec une quantité infinie de données ($N, L \to \infty$), la méthode $\Delta K$ peut sélectionner $K=2$ alors que la vérité est $K_0=3$. Cela contredit l'idée que ces méthodes convergent vers la vérité avec suffisamment de données.
2. Condition suffisante d'échec : Ils établissent une condition mathématique précise basée sur la divergence génétique. Si la divergence entre deux populations (disons 2 et 3) est faible par rapport à la dispersion globale, le critère $\Delta K$ favorisera leur fusion.
3. Modélisation démographique réaliste : Ils relient cette condition théorique à un modèle génétique de population réaliste (modèle hiérarchique de Balding-Nichols) et identifient un seuil critique en fonction des paramètres de dérive génétique ($F_{ST}$).

4. Résultats Principaux

Théorème 1 : Condition basée sur la Divergence KL

Soit $D_{31}$ la dispersion globale des trois populations et $D_{32}$ la perte d'information moyenne lors de la fusion des populations 2 et 3.
Le théorème démontre que si :
$$D_{32} < \frac{1}{3} D_{31}$$
Alors, lorsque $N, L \to \infty$, la probabilité que $\hat{K}=2$ tend vers 1.
Cela signifie que si la fusion de deux populations est « peu coûteuse » en termes d'information par rapport à la variabilité totale, le critère du coude préfère $K=2$.

Théorème 2 : Application au modèle de Balding-Nichols

Les auteurs appliquent ce résultat à un modèle généalogique hiérarchique avec trois populations :

• Une population racine ($P^*$).
• Une branche menant à la population 1 ($F_{out}$).
• Une branche menant à un nœud interne ($F_{root}$) qui se divise ensuite en populations 2 et 3 ($F_{sub}$).

Ils montrent que si les paramètres de dérive sont faibles (populations proches) et que le rapport des paramètres de dérive satisfait :
$$\frac{F_{root}}{F_{sub}} > \frac{3}{4}$$
Alors la méthode $\Delta K$ sélectionnera systématiquement $K=2$ asymptotiquement.

Simulations Numériques

Des simulations ont été réalisées avec $N=150$ individus et $L=2000$ SNP. Les résultats confirment la transition théorique prédite :

• Lorsque $F_{root}$ est petit (topologie en étoile), $\Delta K$ peut correctement identifier $K=3$.
• Lorsque $F_{root}$ augmente par rapport à $F_{sub}$ (relation hiérarchique plus marquée), la méthode bascule vers $K=2$, fusionnant les populations 2 et 3.
• La frontière de phase observée correspond précisément au rapport théorique $3/4$.

5. Signification et Implications

• Explication du biais empirique : Ce papier explique pourquoi les études utilisant $\Delta K$ rapportent si souvent $K=2$. Ce n'est pas un artefact de l'échantillonnage, mais une propriété intrinsèque de la méthode lorsque les populations sont génétiquement proches (faible $F_{ST}$) et disposées hiérarchiquement.
• Inconsistance fondamentale : Contrairement à d'autres méthodes qui peuvent converger vers la vérité avec plus de données, $\Delta K$ peut échouer même avec des données infinies dans certains régimes démographiques.
• Recommandations pratiques : Les auteurs concluent que $\Delta K$ ne doit pas être utilisé comme critère unique. Il doit être interprété avec d'autres critères de sélection et un contexte biologique. Il est crucial de rapporter les résultats sur une gamme de valeurs de $K$ plutôt que de se fier à une seule valeur sélectionnée automatiquement.
• Généralité : Bien que l'étude se concentre sur le MLE et $\Delta K$, les auteurs suggèrent que d'autres méthodes de sélection de modèles basées sur la comparaison de log-vraisemblances pourraient souffrir du même problème de sous-ajustement (underfitting) dans des contextes de populations proches.

En résumé, cet article fournit une preuve mathématique que la méthode standard pour déterminer le nombre de populations en génétique des populations peut être fondamentalement inconsistante, offrant ainsi une base théorique pour réévaluer les pratiques courantes d'analyse de la structure génétique.