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

Il genoma umano è una vasta biblioteca di istruzioni biologiche, scritte in un codice composto da quattro lettere chimiche. All'interno di questo codice, minuscole variazioni chiamate polimorfismi a singolo nucleotide, o SNP, agiscono come marcatori unici che distinguono una persona dall'altra. Questi marcatori sono sparsi in tutto il genoma e, quando gli scienziati li raccolgono da migliaia di persone, creano dataset così massicci da contenere decine di milioni di questi punti genetici. La sfida per i ricercatori non è solo archiviare questa informazione, ma darle un senso. Quando il numero di marcatori genetici supera di gran lunga il numero di persone studiate, i programmi informatici standard faticano a trovare il segnale nel rumore. Spesso vengono sopraffatti, portando a errori o richiedendo una potenza di calcolo che semplicemente non esiste. Ciò crea un collo di bottiglia per la comprensione di come le differenze genetiche si relazionino alla provenienza ancestrale di una persona, una domanda che sta al cuore della moderna genetica delle popolazioni.

Un team di ricercatori dalla Corea del Sud ha sviluppato un nuovo modo per navigare in questo deserto digitale, trasformando una montagna di dati genetici in un percorso gestibile. Si sono concentrati su un dataset del Progetto 1000 Genomi, che contiene informazioni genetiche di oltre 3.000 individui rappresentanti 26 diversi paesi. I dati grezzi contenevano circa 61 milioni di SNP, un numero così elevato che tentare di analizzarli tutti insieme con strumenti avanzati di machine learning sarebbe stato impossibile su computer standard. I ricercatori si sono resi conto che la maggior parte di questi marcatori genetici era ridondante o poco informativa per il compito specifico di identificare l'origine geografica di una persona. Per risolvere questo problema, hanno progettato un processo in due fasi per filtrare i dati, rimuovendo prima il rumore ovvio e poi utilizzando un algoritmo intelligente per trovare gli indizi più preziosi.

La prima fase del loro metodo è stata una scansione ampia, agendo come un setaccio per catturare i marcatori genetici più attivi. Il team ha calcolato quanto ogni SNP variasse tra le diverse persone dello studio. I marcatori che mostravano pochissime variazioni sono stati scartati perché non potevano aiutare a distinguere tra le popolazioni. Questo semplice filtro basato sulla varianza ha ridotto il dataset da 61 milioni di marcatori a circa un milione. Sebbene si trattasse di una riduzione massiccia, era ancora troppo grande per gestire rapidamente gli strumenti di analisi più sofisticati. Tuttavia, questa fase preliminare era cruciale perché ha trasformato un compito impossibile in uno pratico, permettendo ai ricercatori di passare alla seconda fase senza dover ricorrere a supercomputer che sarebbero costati una fortuna per essere eseguiti.

Nella seconda fase, i ricercatori hanno applicato uno potente strumento di machine learning chiamato XGBoost al milione di marcatori rimanenti. Questo strumento è progettato per apprendere quali caratteristiche siano più importanti per fare una previsione. Addestrando il computer sul dataset ridotto, il sistema poteva classificare gli SNP in base a quanto aiutassero a prevedere il paese di origine di una persona. Il team ha scoperto che questa combinazione di un primo filtro grossolano seguito da una seconda selezione intelligente funzionava molto meglio rispetto al tentativo di usare lo strumento intelligente sull'intero dataset o nell'uso di una selezione casuale. Infatti, applicare lo strumento intelligente direttamente ai 61 milioni di marcatori originali avrebbe richiesto una stima di 1.250 ore di tempo di calcolo e una quantità enorme di memoria, mentre il loro metodo in due fasi ha completato il lavoro in circa 50 ore. Ciò rappresenta un miglioramento dell'efficienza di venticinque volte, rendendo l'analisi genetica di alto livello accessibile su hardware standard.

I risultati di questo processo snellito sono stati sorprendenti. Utilizzando i sottoinsiemi di SNP accuratamente selezionati, i ricercatori hanno addestrato un classificatore per indovinare l'origine geografica degli individui. Per molte popolazioni, il modello ha raggiunto un'accuratezza quasi perfetta. Ad esempio, il sistema poteva identificare correttamente individui della Finlandia, del Giappone e di diversi gruppi africani con quasi nessun errore, anche utilizzando un numero molto piccolo di marcatori genetici. Alcune popolazioni, come il popolo Esan della Nigeria, potevano essere identificate con soli 128 SNP, mentre altre, come la popolazione portoricana, richiedevano fino a 8.192 marcatori per raggiungere lo stesso livello di accuratezza. Questa variazione suggerisce che i diversi gruppi abbiano strutture genetiche differenti, con alcuni più distinti dai propri vicini rispetto ad altri. Lo studio ha anche rivelato che certi gruppi, come i britannici, erano più difficili da distinguere l'uno dall'altro, probabilmente a causa di una storia genetica condivisa e di un'alta diversità all'interno della popolazione.

Nonostante questi successi, i ricercatori sono stati attenti a sottolineare i limiti del loro lavoro. Hanno riconosciuto che il loro metodo è principalmente uno strumento per rendere possibile l'analisi, piuttosto che una soluzione perfetta per ogni questione genetica. L'accuratezza per alcuni paesi rimaneva modesta, il che hanno attribuito alle piccole dimensioni dei campioni e alla complessa realtà per cui i confini politici non sempre corrispondono ai confini genetici. Hanno anche evidenziato che il loro studio non teneva pienamente conto delle persone con discendenza mista, un gruppo demografico in crescita nel mondo moderno che complica le semplici etichette geografiche. Ciononostante, lo studio fornisce una linea guida chiara e pratica su come gestire l'ondata di dati genomici. Dimostrando che una strategia di filtraggio in due fasi può ridurre drasticamente i tempi di calcolo pur preservando l'accuratezza, il team ha offerto una via percorribile per i ricercatori che necessitano di analizzare enormi dataset genetici senza avere accesso alle risorse di calcolo più costose.