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

Sintesi Tecnica: Cosa limita l'inferenza dell'ascendenza locale a bassa divergenza

Problematica
L'inferenza dell'ascendenza locale (LAI) assegna le posizioni genomiche in individui ammessi a popolazioni sorgente, un prerequisito per la mappatura dell'ammostramento e i test di associazione specifici per l'ascendenza. Mentre i metodi LAI di routine funzionano bene su sorgenti altamente divergenti (es. Africani/Europei/Nativi Americani, $F_{ST} \approx 0.1$), la loro efficacia su popolazioni strettamente correlate (es. Han Cinesi del Nord vs del Sud, $F_{ST} \approx 0.0004$) rimane non testata. I benchmark attuali si basano pesantemente su simulazioni coalescenti e metriche di accuratezza per sito, che potrebbero non riflettere la struttura a livello di tratto richiesta per analisi a valle come la datazione dell'ammostramento. Questo studio investiga i limiti di fattibilità della LAI a bassa divergenza, la validità dei benchmark basati su simulazioni e i contributi relativi della rappresentazione degli input rispetto all'architettura del modello.

Metodologia
L'autore ha valutato cinque metodi attraverso un gradiente continuo di divergenza delle sorgenti ($F_{ST}$ da 0.0022 a 0.243) utilizzando due tracce di dati distinte:

1. Simulazioni Coalescenti: Eventi di ammostramento a due vie sono stati simulati con etichette di verità fondamentale (ground truth) esatte generate tramite mosaico di aplotipi donatori.
2. Aplotipi Reali: La stessa costruzione a mosaico è stata applicata ad aplotipi di 1000 Genomes faseggiati su 11 coppie di popolazioni (coprendo gruppi dell'Asia orientale, europei e dell'Asia meridionale).

Metodi Confrontati:

• Baseline: Un classificatore di verosimiglianza a finestra e un classificatore di verosimiglianza smussato da un Modello di Markov Nascosto (HMM).
• Strumenti Rilasciati: RFMix v2 e FLARE.
• Rete Neurale: Una rete neurale convoluzionale (CNN) dilatata addestrata per la segmentazione per sito. La rete è stata testata in due configurazioni:
  • Solo frequenza: L'input consiste in frequenze alleliche e rapporti di log-verosimiglianza.
  • Consapevole dell'aplotipo (Haplotype-aware): La stessa architettura aumentata con quattro canali che riassumono il matching locale dell'aplotipo rispetto ai pannelli di riferimento.

Contributi Chiave e Risultati

1. Esiste un limite di fattibilità (Feasibility Floor)
Esiste un limite rigido alla performance della LAI determinato dal contenuto informativo dei dati piuttosto che dalla sofisticazione algoritmica.

• A $F_{ST} = 0.0022$, nessun metodo supera l'accuratezza di 0.575.
• Per la coppia CHB/CHS ($F_{ST} = 0.00042$), la migliore accuratezza è 0.551.
• Al di sotto di queste soglie, le differenze tra i metodi sono inferiori alla variabilità tra le esecuzioni (run-to-run variability), indicando che i dati contengono un segnale insufficiente per distinguere le sorgenti. Ciò implica che le inferenze pubblicate di tratti di ascendenza fine all'interno di tali popolazioni (ad esempio, all'interno dei cinesi Han o all'interno dell'Europa) mancano di supporto nelle attuali condizioni.

2. L'accuratezza per sito è una metrica fuorviante
La metrica standard, l'accuratezza per sito, non riesce a catturare l'integrità strutturale del mosaico inferito.

• La CNN dilatata ha raggiunto un'alta accuratezza per sito nelle simulazioni, ma ha prodotto 78,8 volte più tratti di ascendenza rispetto alla verità, implicando un tempo di ammostramento 61,2 volte più antico della realtà.
• Al contrario, RFMix e FLARE hanno prodotto conteggi di tratti vicini alla verità.
• L'applicazione di un decoder Viterbi (utilizzando un prior di transizione fisso basato sulla ricombinazione) ai logit della CNN ha corretto la struttura dei tratti (riducendo l'errore a 1.56×) con un costo trascurabile per l'accuratezza per sito (+0.0002). Ciò dimostra che la metrica è cieca ai difetti che rendono gli output inutilizzabili per la datazione dell'ammostramento.

3. La simulazione non predice la performance nel mondo reale
Il vantaggio di un metodo appreso nella simulazione non si trasferisce ai dati reali.

• Nelle simulazioni, la CNN dilatata ha superato il miglior strumento rilasciato fino a 0.048 a bassa divergenza.
• Su aplotipi reali di 1000 Genomes, la CNN è stata superata dagli strumenti rilasciati in 10 coppie su 11, con un deficit medio di -0.032.
• Questa discrepanza non è dovuta al fatto che il simulatore genera dati "più puliti"; i pannelli simulati portavano in realtà più segnale di aplotipo sfruttabile rispetto ai pannelli reali a parità di divergenza. Il fallimento deriva dal fatto che la rete basata solo sulle frequenze si affida a informazioni che sono insufficienti sui cromosomi reali, mentre gli strumenti rilasciati utilizzano l'informazione completa dell'aplotipo.

4. La rappresentazione dell'input è il collo di bottiglia primario
Il divario di performance è guidato dalla rappresentazione dell'input piuttosto che dalle scelte architettoniche.

• Interventi Architetturali: Le variazioni nei meccanismi di attenzione, negli strati dello spazio di stato, nella capacità e nel pre-addestramento hanno spostato l'accuratezza al massimo di 0.006.
• Interventi sull'Input: Fornire alla CNN canali di matching dell'aplotipo (che corrispondono all'input di RFMix/FLARE) ha recuperato +0.031 di accuratezza in 8 casi su 8 sotto $F_{ST} = 0.04$.
• Tuttavia, anche con questa parità di input, la rete è rimasta indietro rispetto agli strumenti rilasciati in 10 coppie su 11, suggerendo che, sebbene l'input sia necessario, non è sufficiente per colmare interamente il divario. La rete ha superato gli strumenti rilasciati solo nella coppia CEU/TSI ($F_{ST} = 0.0027$), la coppia meno divergente in cui qualsiasi metodo fosse informativo.

5. La dimensione del pannello di riferimento e le statistiche contano più dell'architettura
Due fattori convenzionalmente mantenuti fissi nei confronti sono risultati essere più influenti dell'architettura del design:

• Statistica di Riassunto: I metodi neurali utilizzano tipicamente tassi di accordo (distanza di Hamming), mentre i modelli di copia (RFMix/FLARE) utilizzano lunghezze di accordo contiguo (statistiche sufficienti per il modello di Li–Stephens). La contiguità è più discriminante ma fornisce un beneficio solo quando il pannello di riferimento è piccolo; agisce come un sostituto della dimensione del pannello piuttosto che come un segnale indipendente.
• Dimensione del Pannello: Nessun metodo si è avvicinato alla saturazione. Aumentare il pannello di riferimento da 80 a 100 aplotipi ha migliorato l'accuratezza per tutti i metodi (inclusi la CNN, RFMix e FLARE) senza cambiare il loro ordine relativo.

6. Sensibilità agli errori di fase (Phasing Errors)
Gli errori di switch di fase frammentano gli aplotipi senza alterare le frequenze alleliche.

• I metodi che si affidano all'integrazione a lungo raggio (come la CNN basata solo sulle frequenze) sono più sensibili a questi errori, subendo una perdita di accuratezza maggiore rispetto ai metodi che non integrano il contesto (verosimiglianza a finestra) o a quelli che modellano esplicitamente gli aplotipi (RFMix/FLARE).
• L'aggiunta di canali di matching dell'aplotipo ha ridotto questa sensibilità, rendendo la configurazione consapevole dell'aplotipo più robusta agli errori di fase rispetto alla versione basata solo sulle frequenze.

Significatività e Rivendicazioni
Il documento sostiene che le limitazioni della LAI a bassa divergenza sono principalmente guidate dai dati (segnale insufficiente nel genoma) e dalla rappresentazione (input mismatch), piuttosto che da un fallimento delle architetture di inferenza apprese. Evidenzia tre trappole specifiche nelle pratiche di valutazione attuali:

1. Affidarsi all'accuratezza per sito, che maschera i fallimenti strutturali critici per l'analisi a valle.
2. Validare esclusivamente su simulazioni, il che può gonfiare artificialmente le performance dei metodi appresi rispetto agli strumenti rilasciati.
3. Confrontare metodi con rappresentazioni di input disuguali (es. frequenza-solo vs haplotype-aware).

L'autore conclude che, per le popolazioni strettamente correlate, il "pavimento" delle performance è determinato dal contenuto informativo dei dati. Sebbene la fornitura di informazioni sull'aplotipo migliori le prestazioni, non garantisce la parità con gli strumenti stabiliti, e le affermazioni di inferenza dell'ascendenza a scala fine in questi regimi richiedono un supporto indipendente oltre l'inferenza stessa. Lo studio suggerisce che i futuri benchmark debbano riportare statistiche a livello di tratto, validare su aplotipi reali e garantire la parità di input tra i metodi confrontati.