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

तकनीकी सारांश: कम विचलन (Low Divergence) पर स्थानीय वंशावली अनुमान (Local Ancestry Inference) को क्या सीमित करता है

समस्या विवरण
स्थानीय वंशावली अनुमान (LAI) मिश्रित व्यक्तियों में जीनोमिक स्थितियों को स्रोत आबादीों में आवंटित करता है, जो एडमिक्चर मैपिंग और वंशावली-विशिष्ट एसोसिएशन परीक्षण के लिए एक पूर्व शर्त है। जबकि नियमित LAI विधियाँ अत्यधिक विचलित स्रोतों (जैसे, अफ्रीकी/यूरोपीय/नेटिव अमेरिकन, $F_{ST} \approx 0.1$) पर अच्छा प्रदर्शन करती हैं, निकट संबंधी आबादी (जैसे, उत्तरी बनाम दक्षिणी हान चीनी, $F_{ST} \approx 0.0004$) पर उनकी प्रभावकारिता अभी तक अनपरीक्षित है। वर्तमान बेंचमार्क मुख्य रूप से कोलेसेंट सिमुलेशन (coalescent simulations) और प्रति-साइट सटीकता मेट्रिक्स पर निर्भर करते हैं, जो डाउनस्ट्रीम विश्लेषण जैसे कि एडमिक्चर डेटिंग के लिए आवश्यक ट्रैक्ट-स्तरीय संरचना को प्रतिबिंबित नहीं कर सकते हैं। यह अध्ययन कम विचलन पर LAI की व्यवहार्यता सीमाओं, सिमुलेशन-आधारित बेंचमार्क की वैधता, और इनपुट प्रतिनिधित्व बनाम मॉडल आर्किटेक्चर के सापेक्ष योगदान की जांच करता है।

कार्यप्रणाली
लेखक ने दो विशिष्ट डेटा ट्रैक्स का उपयोग करके स्रोत विचलन ($F_{ST}$ से 0.0022 से 0.243 तक) के एक निरंतर ग्रेडिएंट पर पांच विधियों का मूल्यांकन किया:

1. कोलेसेंट सिमुलेशन (Coalescent Simulations): दो-तरफा एडमिक्चर घटनाओं को डोनर हैप्लोटाइप्स के मोज़ेक बनाने से उत्पन्न सटीक ग्राउंड ट्रुथ लेबल के साथ सिम्युलेट किया गया था।
2. वास्तविक हैप्लोटाइप्स (Real Haplotypes): समान मोज़ेक निर्माण को 11 जनसंख्या युग्मों (पूर्वी एशियाई, यूरोपीय और दक्षिण एशियाई समूहों को कवर करते हुए) के फेज़्ड (phased) 1000 जीनोम हैप्लोटाइप्स पर लागू किया गया।

तुलना की गई विधियाँ:

• बेसलाइन्स (Baselines): एक विंडोकृत लाइकलीहुड क्लासिफायर और एक हिडन मार्कोव मॉडल (HMM) द्वारा स्मूथ किया गया लाइकलीहुड क्लासिफायर।
• रिलीज़ किए गए टूल्स (Released Tools): RFMix v2 और FLARE।
• न्यूरल नेटवर्क: एक डायलेटेड कन्वेन्शनल न्यूरल नेटवर्क (CNN) जिसे प्रति-साइट सेगमेंटेशन के लिए प्रशिक्षित किया गया था। नेटवर्क का परीक्षण दो कॉन्फ़िगरेशन में किया गया था:
  • केवल फ्रीक्वेंसी (Frequency-only): इनपुट में एलील फ्रीक्वेंसी और लॉग-लाइकलीहुड रेशियो शामिल हैं।
  • हैप्लोटाइप-अवेयर (Haplotype-aware): वही आर्किटेक्चर जिसे संदर्भ पैनलों के विरुद्ध स्थानीय हैप्लोटाइप मिलान का सारांश देने वाले चार चैनलों के साथ संवर्धित किया गया है।

मुख्य योगदान और निष्कर्ष

1. एक व्यवहार्यता तल (Feasibility Floor) मौजूद है
LAI प्रदर्शन की एक कठोर सीमा है जो एल्गोरिदम की जटिलता के बजाय डेटा की सूचना सामग्री (information content) द्वारा निर्धारित होती है।

• $F_{ST} = 0.0022$ पर, कोई भी विधि 0.575 सटीकता से अधिक नहीं होती है।
• CHB/CHS युग्म ($F_{ST} = 0.00042$) के लिए, सर्वोत्तम सटीकता 0.551 है।
• इन थ्रेसहोल्ड के नीचे, विधियों के बीच अंतर रन-टू-रन परिवर्तनशीलता से छोटा है, जो इंगित करता है कि डेटा स्रोतों को अलग करने के लिए पर्याप्त सिग्नल नहीं रखता है। इसका तात्पर्य यह है कि ऐसी आबादी (जैसे, हान चीनी या यूरोप के भीतर) के भीतर सूक्ष्म-स्तर के वंशावली ट्रैक्ट्स के प्रकाशित अनुमान वर्तमान स्थितियों में समर्थन की कमी रखते हैं।

2. प्रति-साइट सटीकता एक भ्रामक मीट्रिक है
मानक मीट्रिक, प्रति-साइट सटीकता, अनुमानित मोज़ेक की संरचनात्मक अखंडता को पकड़ने में विफल रहती है।

• डायलेटेड CNN ने सिमुलेशन में उच्च प्रति-साइट सटीकता प्राप्त की, लेकिन इसने सत्य (truth) की तुलना में 78.8 गुना अधिक वंशावली ट्रैक्ट्स उत्पन्न किए, जिसका अर्थ है कि एडमिक्चर समय वास्तविकता से 61.2 गुना पुराना था।
• इसके विपरीत, RFMix और FLARE ने सत्य के करीब ट्रैक्ट काउंट प्रदान किए।
• CNN के लॉजिट्स (logits) पर एक विटर्बी डिकोडर (रिकॉम्बिनेशन के आधार पर एक निश्चित ट्रांजिशन प्रायर का उपयोग करते हुए) लागू करने से ट्रैक्ट संरचना सुधर गई (त्रुटि को 1.56× तक कम करना), जिसमें प्रति-साइट सटीकता पर नगण्य प्रभाव (+0.0002) पड़ा। यह दर्शाता है कि मीट्रिक उन दोषों के प्रति अंधा है जो आउटपुट को एडमिक्चर डेटिंग के लिए अनुपयोगी बना देते हैं।

3. सिमुलेशन वास्तविक दुनिया के प्रदर्शन की भविष्यवाणी नहीं करता है
एक सीखा हुआ (learned) मेथड का सिमुलेशन में लाभ वास्तविक डेटा में स्थानांतरित नहीं होता है।

• सिमुलेशन में, डायलेटेड CNN ने कम विचलन पर सर्वश्रेष्ठ रिलीज़ टूल से 0.048 तक बेहतर प्रदर्शन किया।
• वास्तविक 1000 जीनोम हैप्लोटाइप्स पर, CNN 11 में से 10 युग्मों पर रिलीज़ किए गए टूल्स से पीछे रह गया, जिसमें औसत घाटा -0.032 था।
• यह विसंगति इसलिए नहीं है क्योंकि सिम्युलेटर "साफ" डेटा उत्पन्न करता है; वास्तव में सिमुलेटेड पैनलों में समान विचलन पर मैच किए गए वास्तविक पैनलों की तुलना में अधिक दोहन योग्य हैप्लोटाइप सिग्नल था। विफलता इसलिए होती है क्योंकि फ्रीक्वेंसी-ओनली नेटवर्क उस जानकारी पर निर्भर करता है जो वास्तविक क्रोमोसोम पर अपर्याप्त है, जबकि रिलीज़ किए गए टूल्स पूर्ण हैप्लोटाइप जानकारी का उपयोग करते हैं।

4. इनपुट रिप्रेजेंटेशन प्राथमिक बाधा है
प्रदर्शन का अंतर आर्किटेक्चरल विकल्पों के बजाय इनपुट रिप्रेजेंटेशन द्वारा संचालित होता है।

• आर्किटेक्चरल हस्तक्षेप: अटेंशन मैकेनिज्म, स्टेट-स्पेस लेयर्स, कैपेसिटी और प्रीट्रेनिंग में बदलाव से सटीकता में अधिकतम 0.006 का बदलाव आया।
• इनपुट हस्तक्षेप: CNN को हैप्लोटाइप-मैचिंग चैनल प्रदान करने से (जो RFMix/FLARE के इनपुट के समान है) $F_{ST} = 0.04$ से नीचे के 8 में से 8 युग्मों पर +0.031 सटीकता प्राप्त हुई।
• हालांकि, इस इनपुट समानता के बावजूद, नेटवर्क 11 में से 10 युग्मों पर रिलीज़ किए गए टूल्स से पीछे रहा, जो बताता है कि जबकि इनपुट आवश्यक है, यह पूरी तरह से अंतर को पाटने के लिए पर्याप्त नहीं है। नेटवर्क केवल CEU/TSI युग्म ( $F_{ST} = 0.0027$, सबसे कम विचलन वाला युग्म जहाँ कोई भी विधि सूचनात्मक थी) पर रिलीज़ किए गए टूल्स से आगे निकल गया।

5. संदर्भ पैनल का आकार और सांख्यिकी आर्किटेक्चर से अधिक महत्वपूर्ण हैं
दो कारक जिन्हें तुलनाओं में पारंपरिक रूप से स्थिर रखा जाता था, वे आर्किटेक्चरल डिज़ाइन की तुलना में अधिक प्रभावशाली पाए गए:

• समरी स्टैटिस्टिक (Summary Statistic): न्यूरल मेथड्स आमतौर पर एग्रीमेंट रेट्स (हैमिंग डिस्टेंस) का उपयोग करते हैं, जबकि कॉपीइंग मॉडल (RFMix/FLARE) निरंतर एग्रीमेंट लेंथ (Li–Stephens मॉडल के लिए पर्याप्त सांख्यिकीय) का उपयोग करते हैं। निरंतरता (Contiguity) अधिक भेदभावपूर्ण है लेकिन यह केवल तभी लाभ प्रदान करती है जब संदर्भ पैनल छोटा हो; यह पैनल के आकार के विकल्प के रूप में कार्य करता है न कि एक स्वतंत्र सिग्नल के रूप में।
• पैनल का आकार: कोई भी विधि संतृप्ति (saturation) के करीब नहीं पहुँची। संदर्भ पैनल को 80 से बढ़ाकर 100 हैप्लोटाइप करने से सभी विधियों (CNN, RFMix और FLARE सहित) की सटीकता में सुधार हुआ, जिससे उनका सापेक्ष क्रम नहीं बदला।

6. फेजिंग त्रुटियों (Phasing Errors) के प्रति संवेदनशीलता
फेज स्विच त्रुटियां एलील फ्रीक्वेंसी को बदले बिना हैप्लोटाइप्स को खंडित कर देती हैं।

• लंबी दूरी के एकीकरण (जैसे, फ्रीक्वेंसी-ओनली CNN) पर निर्भर विधियां इन त्रुटियों के प्रति सबसे अधिक संवेदनशील हैं, जो उन विधियों की तुलना में अधिक सटीकता हानि झेलती हैं जो संदर्भ (context) को एकीकृत नहीं करती हैं (विंडोड लाइकलीहुड) या जो स्पष्ट रूप से हैप्लोटाइप को मॉडल करती हैं (RFMix/FLARE)।
• हैप्लोटाइप-मैचिंग चैनल जोड़ने से इस संवेदनशीलता में कमी आई, जिससे हैप्लोटाइप-अवेयर कॉन्फ़िगरेशन फ्रीक्वेंसी-ओनली संस्करण की तुलना में फेजिंग त्रुटियों के प्रति अधिक मजबूत हो गया।

महत्व और दावे
यह पेपर तर्क देता है कि कम विचलन पर LAI की सीमाएं मुख्य रूप से डेटा-संचालित (जीनोम में अपर्याप्त सिग्नल) और रिप्रेजेंटेशनल (मिसमैच्ड इनपुट सूचना) हैं, न कि सीखी गई अनुमानित आर्किटेक्चर की विफलता। यह वर्तमान मूल्यांकन प्रथाओं में तीन विशिष्ट खामियों को उजागर करता है:

1. प्रति-साइट सटीकता पर निर्भर रहना, जो संरचनात्मक विफलताओं को छिपा देता है जो डाउनस्ट्रीम विश्लेषण के लिए महत्वपूर्ण हैं।
2. केवल सिमुलेशन पर सत्यापन करना, जो रिलीज़ किए गए टूल्स की तुलना में सीखी गई विधियों के प्रदर्शन को कृत्रिम रूप से बढ़ा सकता है।
3. असमान इनपुट रिप्रेजेंटेशन (जैसे, फ्रीक्वेंसी-ओनली बनाम हैप्लोटाइप-अवेयर) वाले तरीकों की तुलना करना।

लेखक का निष्कर्ष है कि निकट संबंधी आबादी के लिए, प्रदर्शन का "फ्लोर" डेटा की सूचना सामग्री द्वारा निर्धारित होता है। जबकि हैप्लोटाइप जानकारी प्रदान करने से प्रदर्शन में सुधार होता है, यह स्थापित टूल्स के साथ समानता की गारंटी नहीं देता है, और इस शासन (regime) में सूक्ष्म-स्तर के वंशावली अनुमान के दावे के लिए स्वयं के अनुमान से परे स्वतंत्र समर्थन की आवश्यकता होती है। अध्ययन सुझाव देता है कि भविष्य के बेंचमार्क को ट्रैक्ट-लेवल सांख्यिकी रिपोर्ट करनी चाहिए, वास्तविक हैप्लोटाइप्स पर सत्यापन करना चाहिए, और तुलना किए गए तरीकों के बीच इनपुट समानता सुनिश्चित करनी चाहिए।