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

技術要約：低分岐における局所祖先推定の限界について

問題提起
局所祖先推定（LAI）は、混血個体におけるゲノム上の位置をソース集団に割り当てるものであり、アドミクスチャー・マッピングや祖先特異的な関連解析を行うための前提条件となる。現在のLAI手法は、分岐度の高いソース（例：アフリカ、ヨーロッパ、ネイティブアメリカン、$F_{ST} \approx 0.1$）に対しては良好に機能するが、近縁な集団（例：北漢民族と南漢民族、$F_{ST} \approx 0.0004$）における有効性は未検証のままである。現在のベンチマークは、合体シミュレーション（coalescent simulations）とサイトごとの精度指標に大きく依存しているが、これらはアドミクスチャー年代推定のようなダウンストリーム解析に必要とされる、トラック（領域）レベルの構造を反映していない可能性がある。本研究では、低分岐におけるLAIの実現可能性の限界、シミュレーションに基づくベンチマークの妥当性、および入力表現とモデル・アーキテクチャの相対的な寄与について調査する。

手法
著者は、ソースの分岐度を連続的な勾配（$F_{ST}$ が 0.0022 から 0.243 まで）で変化させ、2つの異なるデータトラックを用いて5つの手法を評価した。

1. 合体シミュレーション： ドナー・ハプロタイプのモザイク化によって生成された正確なグラウンドトゥルース（正解ラベル）を用いた、2方向のアドミクスチャー・イベントをシミュレートした。
2. 実在のハプロタイプ： 同様のモザイク構築を、11の集団ペア（東アジア、ヨーロッパ、南アジアのグループを含む）にわたるフェーズ化された1000ゲノム（1000 Genomes）のハプロタイプに適用した。

比較された手法：

• ベースライン： ウィンドウ化された尤度分類器、および隠れマルコフモデル（HMM）によって平滑化された尤度分類器。
• 公開ツール： RFMix v2 および FLARE。
• ニューラルネットワーク： サイトごとのセグメンテーションのために訓練された、拡張（dilated）畳み込みニューラルネットワーク（CNN）。このネットワークは、以下の2つの構成でテストされた。
  • 頻度のみ（Frequency-only）： 入力はアレル頻度と対数尤度比で構成される。
  • ハプロタイプ認識（Haplotype-aware）： リファレンスパネルに対するローカルなハプロタイプ一致を要約する4つのチャンネルで拡張された、同一のアーキテクチャ。

主要な貢献と知見

1. 実現可能性のフロア（底限）が存在する
LAIの性能には、アルゴリズムの精巧さではなく、データの情報量によって決定されるハードな限界が存在する。

• $F_{ST} = 0.0022$ において、どの手法も精度0.575を超えなかった。
• CHB/CHSペア（$F_{ST} = 0.00042$）において、最良の精度は0.551であった。
• これらの閾値を下回ると、手法間の差異は実行ごとの変動よりも小さくなり、データにはソースを区別するための信号が不十分であることを示している。これは、これらの集団（漢民族内など）における微細な祖先トラックの推定結果が、現在の条件下では根拠を欠いていることを示唆している。

2. サイトごとの精度は誤解を招く指標である
標準的な指標である「サイトごとの精度」は、推定されたモザイクの構造的完全性を捉えることができない。

• 拡張CNNは、シミュレーションにおいて高いサイトごとの精度を示したが、真実よりも78.8倍多い祖先トラックを生成しており、これはアドミクスチャーの年代を実際よりも61.2倍古く見積もることを意味する。
• 対照的に、RFMixとFLAREは真実に近いトラック数を生成した。
• 再結合に基づく固定された遷移事前分布を用いてCNNのロジットにビタビ・デコーダを適用すると、サイトごとの精度への影響を無視できる範囲（+0.0002）に抑えつつ、トラック構造を修正できた（誤差を1.56倍に減少させた）。これは、サイトごとの精度という指標が、出力の有用性を損なう欠陥を見逃していることを示している。

3. シミュレーションは実世界の性能を予測しない
学習された手法がシミュレーションで見せる優位性は、実データには転移しない。

• シミュレーションでは、拡張CNNは低分岐において最良の公開ツールを最大0.048上回った。
• しかし、実在の1000ゲノム・ハプロタイプを用いた場合、CNNは11組のペアのうち10組において公開ツールに敗北し、平均で-0.032の劣位となった。
• この相違は、シミュレータがより「クリーンな」データを生成しているためではなく、シミュレートされたパネルの方が、同等の分岐度を持つ実在のパネルよりも、活用可能なハプロタイプ信号を多く保持していたために生じた。失敗の原因は、頻度のみのネットワークが、実在の染色体には不十分な情報に依存している一方で、公開ツールは完全なハプロタイプ情報を利用していることにある。

4. 入力表現が主要なボトルネックである
性能の差は、アーキテクチャの選択ではなく、入力表現によって駆動されている。

• アーキテクチャによる介入： アテンション機構、状態空間層、容量、および事前学習のバリエーションによる精度の変動は、最大でも0.006であった。
• 入力による介入： CNNにハプロタイプ一致チャンネル（RFMix/FLAREの入力と一致するもの）を供給することで、$F_{ST} = 0.04$ 未満の8組のペアにおいて精度が+0.031回復した。
• しかし、この入力の等価性を確保しても、ネットワークは11組中10組のペアで公開ツールに及びませんでした。これは、入力が必須ではあるものの、それだけではギャップを完全に埋めるには不十分であることを示唆している。ネットワークが公開ツールを上回ったのは、最も分岐度が低く、かつ手法が情報を持ち得た唯一のペアであるCEU/TSI（$F_{ST} = 0.0027$）のみであった。

5. リファレンスパネルのサイズと統計量は、アーキテクチャよりも重要である
比較において従来固定されていた2つの要因が、アーキテクチャ設計よりも大きな影響を与えることが判明した。

• 要約統計量： ニューラル手法は通常、一致率（ハミング距離）を使用するが、コピーモデル（RFMix/FLARE）は連続した一致長（Li–Stephensモデルの十分統計量）を使用する。連続性はより識別力が高いが、リファレンスパネルが小さい場合にのみ恩恵をもたらす。これは、独立した信号というよりも、パネルサイズの代用として機能している。
• パネルサイズ： いかなる手法も飽和状態には達していなかった。リファレンスパネルを80から100のハプロタイプに増やすと、すべての手法（CNN、RFMix、FLAREを含む）において精度が向上したが、手法間の相対的な順序は変わらなかった。

6. フェーズ・エラーへの感受性
フェーズ・スイッチのエラーは、アレル頻度を変えることなくハプロタイプを断片化させる。

• 長距離の統合に依存する手法（頻度のみのCNNなど）は、これらのエラーに対して最も敏感であり、コンテキストを統合しない手法（ウィンドウ化された尤度）や、ハプロタイプを明示的にモデル化する手法（RFMix/FLARE）よりも大きな精度低下を被る。
• ハプロタイプ一致チャンネルを追加することで、この感受性が軽減され、ハプロタイプ認識構成は頻度のみの構成よりもフェーズ・エラーに対して頑健になった。

意義と主張
本論文は、低分岐におけるLAIの限界は、主にデータ駆動的（ゲノム内の情報不足）および表現的（入力情報の不一致）なものであり、学習された推論アーキテクチャの失敗ではないと主張している。また、現在の評価慣行における3つの具体的な落とし穴を指摘している：

1. サイトごとの精度に依存すること。これは、ダウンストリーム解析に不可欠な構造的失敗を隠蔽してしまう。
2. シミュレーションのみで検証すること。これは、学習手法の性能を公開ツールに対して人工的に高く見せる可能性がある。
3. 入力表現が異なる手法間で比較を行うこと（例：頻度のみ vs ハプロタイプ認識）。

著者は、近縁集団における性能の「フロア」は、データの情報量によって決定されると結論付けている。ハプロタイプ情報を供給することで性能は向上するが、それが公開ツールとの同等性を保証するわけではない。また、このような領域における微細な祖先解析の主張には、推論結果そのもの以外の独立した裏付けが必要である。本研究は、将来のベンチマークにおいて、トラックレベルの統計量を報告し、実在のハプロタイプで検証し、比較対象間の入力の等価性を確保すべきであることを示唆している。