Simulation-Based Evaluation of Clustering Performance and Allele Frequency Classification in Spatially Structured Populations

기술 요약: 공간적으로 구조화된 집단에서의 클러스터링 성능 및 대립유전자 빈도 분류에 관한 시뮬레이션 기반 평가

문제 정의
광범위한 지리적 영역에 걸친 유전체 데이터셋의 급격한 확장에 따라, 대립유전자 빈도를 정확하게 추정하고 집단 층화(population stratification) 문제를 해결하는 것은 유전 역학, 특히 전장 유전체 연관 분석(GWAS) 및 희귀 변이 분석에서 매우 중요합니다. 광범의 조상 차이는 주성분 분석(PCA)을 통해 일상적으로 통제되지만, 미세한 규모의 집단 구조를 파악하는 것은 여전히 큰 과제로 남아 있습니다. 이러한 미세한 구조를 잘못 식별하면, 집단 수준에서는 희귀하지만 특정 하위 집단 내에서는 흔한 변이를 잘못 분류할 수 있으며, 이는 병원성 추론에 편향을 초래할 수 있습니다. 클러스터링은 이러한 구조를 식별하기 위한 표준적인 접근법이지만, 기존 문헌에는 사용 가능한 다양한 알고리즘, 데이터 전처리 전략, 그리고 불균등한 공간 샘플링이 다운스트림 분석에 미치는 영향을 비교하는 통합된 프레임워크가 부족합니다.

방법론
저자들은 통제된 인구통계학적 시나리오 하에서 클러스터링 파이프라인을 평가하기 위해 시뮬레이션된 유전 데이터를 사용하여 종합적인 비교 연구를 수행했습니다.

• 시뮬레이션 프레ка임워크: 저자들은 msprime을 사용하여 스텝핑 스톤 모델(stepping-stone model)에 기반한 미세 규모 유전 데이터를 시뮬레이션했습니다. 100세대 전 분리된 조상 집단이 5x5 격자 위에 배치된 25개의 데임(deme)으로 나뉘었습니다. 구조의 강도를 강함에서 약함까지 단계적으로 만들기 위해 네 가지 데이터셋($m = 0.001, 0.01, 0.0255, 0.05$)을 생성했습니다. 총 25,000명의 개체를 시뮬레이션하였으며, 분석을 위해 그 중 10,000개의 서브셋을 사용했습니다.
• 데이터 전처리: 세 가지 데이터 표현 방식이 도출되었습니다:
  1. SNPs-only: 연관 불평형(LD) 프루닝 및 주성분 분석(PCA)을 거친 유전자형 데이터.
  2. HapIBD: 페이징(phased) 데이터에서 추정된 쌍별 동일 혈통(IBD) 세그먼트를 HapIBD로 계산하여 유사도 행렬로 변환한 데이터.
  3. PBWT-Paint: ChromoPainter의 효율적인 근사치인 PBWT-Paint를 통해 추정된 염색체 페인팅 공통 조상(co-ancestry) 행렬을 대칭 행렬으로 변환하고 커널 PCA(kPCA)로 처리한 데이터.
• 클러스터링 알고리즘: 세 가지 서로 다른 알고리즘 계열이 평가되었습니다:
  1. FineSTRUCTURE (FS): 염색체 페인팅 데이터를 기반으로 디리클레 프로세스(Dirichlet Processes)를 사용하여 계층적 트리 구조를 추론하는 유전 특화 모델 기반 방법.
  2. Mclust: 차원 축소된 데이터(PC)에 적용되는 가우시안 혼합 모델을 가정하는 범용 모델 기반 방법.
  3. Leiden: PC 공간에서 구축된 유사도 그래프에 적용되는 그래프 기반 커뮤니티 탐지 알고리즘.
• 평가 지표: 성능은 알려진 데임 라벨에 대한 외부 지표(조정 랜드 지수[ARI] 및 조정 상호 정보량[AMI])와 라벨을 모르는 경우의 내부 지표(실루엣 점수, 데이비스-볼딘 지수)를 사용하여 평가되었습니다.
• 샘플링 시나리오: "그라디언트"(서부 데임에 편중됨) 및 "폴스"(네 개의 특정 데임에 편중됨) 스킴을 비교하여 균등 무작위 샘플링과 샘플링 편향의 영향을 테스트했습니다.

주요 결과

• 데이터 표현: 하플로타입 기반 방법(PBWT-Paint 및 HapIBD)은 특히 집단 구조가 더 확산될 때(높은 이주율) SNPs-only 방식보다 성능이 현저히 뛰어났습니다. PBWT-Paint 데이터의 경우, kPCA를 적용하기 전에 공통 조상 행렬을 대칭화하는 것이 표준 PCA보다 우수한 클러스터링 성능을 보였습니다.
• 알고리즘 성능 (K를 아는 경우): 실제 클러스터 수($K=25$)가 지정되었을 때:
  • Mclust를 PBWT-Paint PC에 적용했을 때 가장 높은 AMI 점수를 지속적으로 기록했으며, 강한 구조 하에서는 종종 실제 데임을 완벽하게 복구했습니다.
  • FineSTRUCTURE는 Mclust보다 AMI 점수는 약간 낮았지만, 더 공간적으로 일관되고 지리적으로 부합하는 클로스터를 생성했습니다. FS 결과는 실행 시마다 매우 안정적이었던 반면, Mclust는 무작위 시드에 따라 변동성을 보였습니다.
  • Leiden은 속도는 빨랐으나 하이퍼파라미터(해상도 파라미터)와 데이터 전처리(예: 그래프 절단)에 매우 민나민하게 반응했습니다.
• 알고리즘 성능 (K를 모르는 경우):
  • Mclust는 베이지안 정보 기준(BIC)을 사용하여 $K$를 추론하며, 구조가 약할 때도 실제 $K$에 근접한 값을 일반적으로 복구했습니다.
  • FineSTRUCTURE와 Leiden은 내부 지표(실루엣 점수)에 의존할 경우, 구조가 약해짐에 따라 $K$를 과소평가하여 더 적고 큰 클러스터를 선택하는 경향이 있었습니다.
• 샘플링 편향: 불균등한 샘플링(그라디언트 및 폴스 스킴)은 클러스터 추론과 희귀 변이의 지리적 매핑 모두에 편향을 일으켰습니다. 그러나 하플로타입 기반 클러스터링(특히 PBWT-Paint)은 SNPs-only 방법보다 이러한 편향에 더 강건하게 유지되었습니다.
• 다운스트림 영향: "로컬 변이"(전 세계적으로는 희귀하지만 특정 데임에서는 흔한 변이)를 분류하는 능력은 클러스터링 정확도와 밀접하게 일치했습니다. PBWT-Paint 기반 클러스터는 로컬 변이를 식별하고 그 공간적 분포를 재구성하는 데 가장 정확한 결과를 제공했습니다.

의의 및 주장
본 논문은 연구 목적과 집단 구조의 정도에 따라 클러스터링 파이프라인을 선택하기 위한 실질적인 지침을 제공한다고 주장합니다. 저자들은 단일 파이프라인이 보편적으로 최적인 것은 아니라는 점을 강조합니다:

• Mclust는 $K$를 알거나 BIC를 통해 추론할 수 있을 때 가장 정확한 분할(높은 AMI)을 제공하면서도 사용자 친화적이고 계산 효율적인 베이스라인으로 제시됩니다. 그러나 공간적 일관성이 떨어질 수 있고 초기화에 민감합니다.
• FineSTRUCTURE는 안정적이고 공간적으로 일관되며 계층 구조를 가진 클러스터를 생성하는 능력이 뛰어나, 집단의 지리적 연속성을 해석하는 데 가치가 있지만 계산 비용이 높습니다.
• Leiden은 속도와 확장성을 제공하지만, 해상도 파라미터와 그래프 구축에 대한 세심한 튜닝이 필요합니다.

본 연구는 이산적 클러스터링이 변이 필터링(예: popmax 추정)과 같은 다운스트림 분석을 위한 필수적인 단순화이지만, 연구자들은 연속적인 표현(예: EEMS, SpaceMix)이 더 적절할 수 있는 매우 확산된 구조에 이 방법을 적용할 때 주의해야 한다고 결론짓습니다. 저자들은 탐색적 효율성을 위해 Mclust를 사용하고, 계층적 관계를 정교화하고 검증하기 위해 FineSTRUCTURE를 사용하는 결합된 접근 방식을 권장합니다.