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

Le génome humain est une vaste bibliothèque d'instructions biologiques, écrites dans un code composé de quatre lettres chimiques. Au sein de ce code, de minuscules variations appelées polymorphismes d'un seul nucléotide, ou SNP, agissent comme des marqueurs uniques qui distinguent une personne d'une autre. Ces marqueurs sont dispersés à travers l'ensemble du génome et, lorsque les scientifiques les collectent auprès de milliers de personnes, ils créent des ensembles de données si massifs qu'ils contiennent des dizaines de millions de ces points génétiques. Le défi pour les chercheurs n'est pas seulement de stocker cette information, mais d'en donner un sens. Lorsque le nombre de marqueurs génétiques dépasse largement le nombre de personnes étudiées, les programmes informatiques standards peinent à trouver le signal au milieu du bruit. Ils sont souvent submergés, entraînant des erreurs ou nécessitant une puissance de calcul qui n'existe tout simplement pas. Cela crée un goulot d'étranglement pour comprendre comment les différences génétiques sont liées à l'origine ancestrale d'une personne, une question qui est au cœur de la génétique des populations moderne.

Une équipe de chercheurs de Corée du Sud a développé une nouvelle façon de naviguer dans ce désert numérique, transformant une montagne de données génétiques en un sentier gérable. Ils se sont concentrés sur un ensemble de données du projet 1000 Genomes, qui détient des informations génétiques de plus de 3 000 individus représentant 26 pays différents. Les données brutes contenaient environ 61 millions de SNP, un nombre si élevé que tenter de les analyser tous à la fois avec des outils d'apprentissage automatique avancés aurait été impossible sur des ordinateurs standards. Les chercheurs ont réalisé que la plupart de ces marqueurs génétiques étaient redondants ou peu informatifs pour la tâche spécifique d'identifier l'origine géographique d'une personne. Pour résoudre cela, ils ont conçu un processus en deux étapes pour filtrer les données, en éliminant d'abord le bruit évident, puis en utilisant un algorithme intelligent pour trouver les indices les plus précieux.

La première étape de leur méthode était un balayage large, agissant comme un tamis pour capturer les marqueurs génétiques les plus actifs. L'équipe a calculé à quel point chaque SNP variait entre les différentes personnes de l'étude. Les marqueurs qui montraient très peu de changement ont été écartés car ils ne pouvaient pas aider à distinguer les populations. Ce simple filtre basé sur la variance a réduit l'ensemble de données de 61 millions de marqueurs à environ un million. Bien qu'il s'agisse d'une réduction massive, l'ensemble était encore trop grand pour que les outils d'analyse les plus sophistiqués puissent le traiter rapidement. Cependant, cette étape préliminaire était cruciale car elle a transformé une tâche impossible en une tâche pratique, permettant aux chercheurs de passer à la deuxième phase sans avoir besoin de supercalculateurs qui coûteraient une fortune à faire fonctionner.

Dans la deuxième étape, les chercheurs ont appliqué un puissant outil d'apprentissage automatique appelé XGBoost aux un million de marqueurs restants. Cet outil est conçu pour apprendre quelles caractéristiques sont les plus importantes pour faire une prédiction. En entraînant l'ordinateur sur l'ensemble de données réduit, le système pouvait classer les SNP en fonction de la manière dont ils aidaient à prédire le pays d'origine d'une personne. L'équipe a constaté que cette combinaison d'un premier filtre grossier suivi d'une seconde sélection intelligente fonctionnait bien mieux que d'essayer d'utiliser l'outil intelligent sur l'ensemble complet des données ou d'utiliser une sélection aléatoire. En fait, appliquer l'outil intelligent directement aux 61 millions de marqueurs complets aurait nécessité un temps de calcul estimé à 1 250 heures et une quantité massive de mémoire, alors que leur méthode en deux étapes a accompli le travail en environ 50 heures. Cela représente une amélioration de l'efficacité de vingt-cinq fois, rendant l'analyse génétique de haut niveau accessible sur du matériel standard.

Les résultats de ce processus rationalisé ont été frappants. En utilisant les sous-ensembles de SNP soigneusement sélectionnés, les chercheurs ont entraîné un classificateur pour deviner l'origine géographique des individus. Pour de nombreuses populations, le modèle a atteint une précision quasi parfaite. Par exemple, le système pouvait identifier correctement des individus de Finlande, du Japon et de plusieurs groupes africains avec presque aucune erreur, même en utilisant de très petits nombres de marqueurs génétiques. Certaines populations, comme les Esan du Nigéria, pouvaient être identifiées avec seulement 128 SNP, tandis que d'autres, comme la population portoricaine, nécessitaient jusqu'à 8 192 marqueurs pour atteindre le même niveau de précision. Cette variation suggère que différents groupes possèdent des structures génétiques différentes, certains étant plus distincts de leurs voisins que d'autres. L'étude a également révélé que certains groupes, tels que les Britanniques, étaient plus difficiles à distinguer les uns des autres, probablement en raison d'une histoire génétique partagée et d'une grande diversité au sein de la population.

Malgré ces succès, les chercheurs ont pris soin de noter les limites de leur travail. Ils ont reconnu que leur méthode est principalement un outil pour rendre l'analyse possible, plutôt qu'une solution parfaite pour chaque question génétique. La précision pour certains pays est restée modeste, ce qu'ils ont attribué à de petits échantillons et à la réalité complexe selon laquelle les frontières politiques ne correspondent pas toujours aux frontières génétiques. Ils ont également souligné que leur étude ne tenait pas pleinement compte des personnes ayant un ascendance mixte, une démographie croissante dans le monde moderne qui complique les étiquettes géographiques simples. Néanmoins, l'étude fournit un schéma directeur clair et pratique sur la façon de gérer le déluge de données génomiques. En prouvant qu'une stratégie de filtrage en deux étapes peut réduire considérablement le temps de calcul tout en préservant la précision, l'équipe a offert une voie viable aux chercheurs qui doivent analyser de vastes ensembles de données génétiques sans avoir accès aux ressources informatiques les plus coûteuses.