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

Résumé technique : Ce qui limite l'inférence de l'ascendance locale à faible divergence

Énoncé du problème
L'inférence de l'ascendance locale (LAI, Local Ancestry Inference) assigne les positions génomiques dans les individus métissés à des populations sources, ce qui est un prérequis pour la cartographie de l'admixture et les tests d'association spécifiques à l'ascendance. Bien que les méthodes courantes de LAI soient performantes sur des sources hautement divergentes (ex: Africain/Européen/Amérindien, $F_{ST} \approx 0,1$), leur efficacité sur des populations étroitement apparentées (ex: Han du Nord vs Han du Sud, $F_{ST} \approx 0,0004$) reste non testée. Les références actuelles reposent largement sur des simulations de coalescence et des mesures de précision par site, qui peuvent ne pas refléter la structure au niveau des segments (tracts) requise pour les analyses en aval, comme la datation de l'admixture. Cette étude examine les limites de faisabilité de la LAI à faible divergence, la validité des benchmarks basés sur la simulation, et les contributions relatives de la représentation des données d'entrée par rapport à l'architecture du modèle.

Méthodologie
L'auteur a évalué cinq méthodes à travers un gradient continu de divergence des sources ($F_{ST}$ de 0,0022 à 0,243) en utilisant deux pistes de données distinctes :

1. Simulations de coalescence : Des événements d'admixture bidirectionnels ont été simulés avec des étiquettes de vérité de terrain exactes générées par mosaïquage d'haplotypes donneurs.
2. Haplotypes réels : La même construction par mosaïquage a été appliquée aux haplotypes phasés de 1000 Genomes sur 11 paires de populations (couvrant des groupes est-asiatiques, européens et sud-asiatiques).

Méthodes comparées :

• Baselines : Un classificateur par fenêtre de vraisemblance et un classificateur de vraisemblance lissé par un modèle de Markov caché (HMM).
• Outils publiés : RFMix v2 et FLARE.
• Réseau de neurones : Un réseau de neurones convolutifs (CNN) dilatés entraîné pour la segmentation par site. Le réseau a été testé dans deux configurations :
  • Uniquement fréquences : L'entrée consiste en des fréquences alléliques et des rapports de log-vraisemblance.
  • Conscient des haplotypes : La même architecture augmentée de quatre canaux résumant l'appariement local des haplotypes par rapport aux panels de référence.

Contributions clés et résultats

1. Un plancher de faisabilité existe
Il existe une limite stricte à la performance de la LAI déterminée par le contenu informationnel des données plutôt que par la sophistication algorithmique.

• À $F_{ST} = 0,0022$, aucune méthode ne dépasse une précision de 0,575.
• Pour la paire CHB/CHS ($F_{ST} = 0,00042$), la meilleure précision est de 0,551.
• En dessous de ces seuils, les différences entre les méthodes sont inférieures à la variabilité d'un cycle à l'autre, indiquant que les données contiennent un signal insuffisant pour distinguer les sources. Cela implique que les inférences publiées de segments d'ascendance fine au sein de ces populations (par exemple, au sein des Han chinois ou au sein de l'Europe) manquent de fondement dans les conditions actuelles.

2. La précision par site est une mesure trompeuse
La mesure standard, la précision par site, ne parvient pas à capturer l'intégrité structurelle de la mosaïque inférée.

• Le CNN dilaté a obtenu une précision par site élevée dans les simulations, mais a produit 78,8 fois plus de segments d'ascendance que la vérité, impliquant une époque d'admixture 61,2 fois plus ancienne que la réalité.
• En revanche, RFMix et FLARE ont produit des nombres de segments proches de la vérité.
• L'application d'un décodeur de Viterbi (utilisant un a priori de transition fixe basé sur la recombinaison) aux logits du CNN a corrigé la structure des segments (réduisant l'erreur à 1,56×) avec un coût négligeable pour la précision par site (+0,0002). Cela démontre que la métrique est aveugle aux défauts qui rendent les sorties inutilisables pour la datation de l'admixture.

3. La simulation ne prédit pas la performance en conditions réelles
L'avantage d'une méthode apprise en simulation ne se transfère pas aux données réelles.

• Dans les simulations, le CNN dilaté a surpassé le meilleur outil publié de près de 0,048 à faible divergence.
• Sur les haplotypes réels de 1000 Genomes, le CNN a été surpassé par les outils publiés sur 10 des 11 paires, avec un déficit moyen de -0,032.
• Cette divergence n'est pas due au fait que le simulateur génère des données "plus propres" ; les panels simulés transportaient en fait plus de signal d'haplotype exploitable que les panels réels à divergence égale. L'échec provient du fait que le réseau basé uniquement sur les fréquences repose sur des informations insuffisantes sur les chromosomes réels, tandis que les outils publiés utilisent l'information complète des haplotypes.

4. La représentation des entrées est le principal goulot d'étranglement
L'écart de performance est piloté par la représentation des entrées plutôt que par les choix architecturaux.

• Interventions architecturales : Les variations dans les mécanismes d'attention, les couches d'espace d'état, la capacité et le pré-entraînement ont déplacé la précision de l'ordre de 0,006 au maximum.
• Interventions sur les entrées : Fournir au CNN des canaux d'appariement d'haplotypes (correspondant à l'entrée de RFMix/FLARE) a permis de récupérer +0,031 de précision sur 8 des 8 paires en dessous de $F_{ST} = 0,04$.
• Cependant, même avec cette parité d'entrée, le réseau est resté derrière les outils publiés sur 10 des 11 paires, suggérant que si l'entrée est nécessaire, elle n'est pas suffisante pour combler entièrement l'écart ; le réseau n'a dépassé les outils publiés que sur la paire CEU/TSI ($F_{ST} = 0,0027$), la paire la moins divergente où une méthode était informative.

5. La taille du panel de référence et les statistiques comptent plus que l'architecture
Deux facteurs conventionnellement maintenus fixes dans les comparaisons se sont révélés plus influents que la conception architecturale :

• Statistique de résumé : Les méthodes neuronales utilisent typiquement des taux d'accord (distance de Hamming), tandis que les modèles de copie (RFMix/FLare) utilisent des longueurs d'accord contiguës (statistiques suffisantes pour le modèle de Li–Stephens). La contiguïté est plus discriminante mais ne fournit un avantage que lorsque le panel de référence est petit ; elle agit comme un substitut de la taille du panel plutôt que comme un signal indépendant.
• Taille du panel : Aucune méthode n'a approché la saturation. Augmenter le panel de référence de 80 à 100 haplotypes a amélioré la précision pour toutes les méthodes (y compris le CNN, RFMix et FLARE) sans changer leur ordre relatif.

6. Sensibilité aux erreurs de phasage
Les erreurs de commutation de phase fragmentent les haplotypes sans altérer les fréquences alléliques.

• Les méthodes reposant sur une intégration à longue portée (comme le CNN basé sur les fréquences) sont les plus sensibles à ces erreurs, subissant une perte de précision plus grande que les méthodes qui n'intègrent pas de contexte (vraisemblance par fenêtre) ou celles qui modélisent explicitement les haplotypes (RFMix/FLARE).
• L'ajout de canaux d'appariement d'haplotypes a réduit cette sensibilité, rendant la configuration consciente des haplotypes plus robuste aux erreurs de phasage que la version basée uniquement sur les fréquences.

Signification et affirmations
L'article soutient que les limites de la LAI à faible divergence sont principalement dictées par les données (signal insuffisant dans le génome) et la représentation (information d'entrée inadéquate), plutôt que par un échec des architectures d'inférence apprises. Il souligne trois pièges spécifiques dans les pratiques d'évaluation actuelles :

1. S'appuyer sur la précision par site, ce qui masque les défaillances structurelles critiques pour les analyses en aval.
2. Valider uniquement sur des simulations, ce qui peut artificiellement gonfler la performance des méthodes apprises par rapport aux outils publiés.
3. Comparer des méthodes avec des représentations d'entrée inégales (ex: fréquences seules vs conscience des haplotypes).

L'auteur conclut que pour les populations étroitement apparentées, le "plancher" de performance est déterminé par le contenu informationnel des données. Bien que la fourniture d'informations sur les haplotypes améliore la performance, elle ne garantit pas la parité avec les outils établis, et les affirmations concernant l'inférence d'ascendance fine dans ces régimes nécessitent un support indépendant au-delà de l'inférence elle-même. L'étude suggère que les futurs benchmarks doivent rapporter des statistiques de niveau segment, valider sur des haplotypes réels et assurer une parité d'entrée entre les méthodes comparées.