Two-tower models for genomic prediction of reproductive outcomes and sex-specific fertility liabilities: simulation insights

Sintesi Tecnica: Modelli a Due Torri per la Predizione Genomica degli Esiti Riproduttivi

Definizione del Problema
Il successo riproduttivo nelle specie a riproduzione sessuata è un "fenotipo esteso", ovvero un risultato biologico congiunto che richiede la fertilità di entrambi i partner. Diversamente dai tratti individuali, il successo della fecondazione non può essere espresso come una semplice combinazione lineare delle liti maschili e femminili; è intrinsecamente non lineare, poiché il successo richiede che entrambi gli individui siano fertili. I modelli predittivi tradizionali spesso faticano a prevedere simultaneamente l'esito aggregato della coppia e a recuperare contributi genetici (liti) specifici per il sesso, interpretabili, da dati genomici ad alta dimensionalità. Questo studio affronta la sfida di modellare questi fenotipi congiunti per consentire la predizione genomica di esiti riproduttivi binari e il recupero delle liti di fertilità specifiche per sesso.

Metodologia
Gli autori hanno impiegato un approccio basato su simulazioni utilizzando il pacchetto AlphaSimR per generare dataset sotto diverse architetture genetiche. Lo studio ha valutato tre distinte architetture di apprendimento automatico a Due Torri (Two-Tower, TT) progettate per elaborare input genomici specifici per sesso (genotipi SNP) attraverso sottomodelli separati ("torri") prima di fonderli moltiplicativamente per predire il successo della coppia.

1. Design della Simulazione:

   • Generazione dei Dati: Popolazioni simulate con 10 cromosomi e 5.000 SNP, derivate da una popolazione fondatrice di 4.000 individui.
   • Scenari: Sono stati creati quattordici scenari per testare la robustezza del modello rispetto a variabili diverse:
     • Ereditabilità (HER): Ereditabilità ($h^2$) specifica per sesso compresa tra 0,1 e 0,7, inclusi casi bilanciati e sbilanciati.
     • Correlazione Genetica (COR): Correlazioni genetiche inter-sessuali di -0,7, 0 e 0,7.
     • Prevalenza (PREV): Diversi rapporti tra casi e controlli di infertilità (0,1, 0,25, 0,4).
     • Struttura dell'Accoppiamento (MATE): Varianti del rapporto tra maschi (sire) e femmine (dam) (1:2, 1:1, 2:1).
     • Infertilità Specifica per Sesso (SEX): Tassi di infertilità sbilanciati tra i sessi.
     • Compatibilità tra Partner: Uno scenario aggiuntivo che introduce incompatibilità dipendente dal genotipo (interazioni non additive) tra specifici genotipi di maschio e femmina.

2. Architetture dei Modelli:

   • TT-MLP: Un Perceptron Multistrato con tre strati nascosti, attivazioni ReLU e dropout.
   • TT-CNN: Una Rete Neurale Convoluzionale 1D che elabora i cromosomi con padding, seguita da batch normalization, pooling e un capo MLP.
   • TT-LASSO: Un modello lineare con regolarizzazione L1 progettato per azzerare le caratteristiche meno contribuenti.
   • MLP Completamente Connesso (Baseline): Un tipico MLP in cui i vettori di genotipo di maschio e femmina vengono concatenati per catturare direttamente le interazioni non additive, fungendo da termine di confronto per lo scenario di compatibilità.

3. Addestramento e Valutazione:

   • I modelli sono stati addestrati utilizzando una perdita di cross-entropia binaria pesata per classe in spazio logaritmico.
   • Gli iperparametri sono stati ottimizzati tramite Optuna attraverso una validazione incrociata a 5 pieghe su un dataset separato.
   • Metriche: Le prestazioni sono state valutate tramite l'area sotto la curva ROC (ROC-AUC) per la classificazione binaria (successo della coppia) e i coefficienti di correlazione di Pearson tra gli output delle torri e i Valori Genetici Reali (TGV) per il recupero delle liti specifiche per sesso.

Risultati Chiave

• Prestazioni di Classificazione: L'accuratezza della predizione (ROC-AUC) è scalata linearmente con la norma euclidea delle ereditabilità specifiche per sesso. TT-LASSO ha costantemente raggiunto la più alta prestazione complessiva di classificazione nella maggior parte degli scenari, seguito da TT-MLP. TT-CNN ha generalmente mostrato le prestazioni più basse.
• Recupero delle Liti Specifiche per Sesso: Tutti i modelli hanno recuperato con successo le liti latenti nonostante fossero addestrati solo su esiti congiunti.
  • TT-LASSO ha mostrato un recupero superiore per il sesso con l'ereditabilità più alta (rapporto segnale-rumore più forte), ma ha spesso sottoperato la lità per il sesso con l'ereditabilità inferiore, specialmente in scenari sbilanciati.
  • TT-MLP ha fornito un recupero più bilanciato e coerente dei valori genetici per entrambi i sessi, indipendentemente dagli sbilanciamenti dell'ereditabilità.
• Impatto della Struttura dei Dati:
  • Prevalenza: Una maggiore prevalenza di infertilità (più casi) ha migliorato l'apprendimento e l'accuratezza della classificazione, mentre i casi rari (bassa prevalenza) hanno destabilizzato le prestazioni.
  • Struttura dell'Accoppiamento: La variazione dei rapporti maschio:femmina ha avuto effetti minori sull'accuratezza complessiva, ma ha influenzato il recupero delle specifiche liti di sesso in TT-LASSO.
  • Compatibilità tra Partner: Nello scenario che introduceva l'incompatibilità dipendente dal genotipo, l'MLP Completamente Connesso (che concatena gli input) ha superato i modelli Two-Tower, raggiungendo la più alta accuratezza predittiva. Ciò suggerisce che le architetture TT standard, che elaborano i sessi indipendentemente, faticano a catturare complesse interazioni non additive tra i partner senza specifiche modifiche architettoniche.

Significatività e Rivendicazioni
L'articolo sostiene che le strutture Two-Tower offrono un approccio potente per modellare i fenotipi estesi come il successo riproduttivo. Il contributo primario è la dimostrazione che queste architetture possono simultaneamente predire gli esiti riproduttivi aggregati e scomporre le liti genetiche specifiche per sesso dalle informazioni genotipiche.

Gli autori sottolineano che, sebbene TT-LASSO offra una superiore accuratezza di classificazione, TT-MLP fornisce un recupero più robusto e bilanciato dei valori genetici attraverso diverse architetture genetiche. Lo studio evidenzia che la scelta dell'architettura dipende dall'obiettivo specifico: massimizzare l'accuratezza della classificazione binaria rispetto all'ottenimento di stime interpretabili e bilanciate dei valori genetici individuali. Inoltre, i risultati indicano che, mentre i modelli TT sono efficaci per gli effetti genetici additivi, la cattura di effetti di compatibilità tra partner non additivi potrebbe richiedere architetture completamente connesse che modellano congiuntamente le interazioni genotipiche. Gli autori suggeriscono che questi framework potrebbero essere estesi ad altri fenotipi estesi, come la suscettibilità alle malattie infettive, e che gli output delle torri potrebbero servire come rappresentazioni efficienti e a bassa dimensionalità per valutazioni genomiche su larga scala.