EGGS: Empirical Genotype Generalizer for Samples

EGGS is een in C geschreven tool die empirische genotypen met ontbrekende data verwerkt om de verdeling van deze ontbrekende waarden te repliceren en diverse formatconversies en simulaties mogelijk maakt.

De kern

Stel je voor dat je een perfecte, glasheldere kopie van een oud manuscript wilt maken, maar je wilt dat het eruitziet alsof het eeuwenlang in een vochtige kelder heeft gelegen. Het papier moet geel zijn, er moeten vlekken op zitten, en sommige woorden moeten ontbreken. Als je dat niet doet, en je kopieert het manuscript te perfect, dan kun je later niet goed testen of je methoden om de tekst te lezen (de "wetenschap") echt werken in de echte, rommelige wereld.

Dit is precies het probleem waar het nieuwe computerprogramma EGGS voor is bedacht.

Hier is een uitleg in gewone taal, met een paar creatieve vergelijkingen:

Wat is het probleem?

Wetenschappers gebruiken computersimulaties om te begrijpen hoe evolutie werkt. Deze simulaties zijn vaak te mooi: elk stukje DNA is perfect bekend, er zijn geen foutjes en geen ontbrekende stukjes.
Maar echte data (vooral van oud DNA, zoals van Neanderthalers) is een puinhoop. Door slechte bewaring, oude technologie of fouten bij het scannen ontbreken er hele stukken DNA, of zijn ze verward.

Als je een wetenschappelijke methode test met die "te perfecte" simulaties, lijkt het alsof het werkt. Maar pas je diezelfde methode toe op die "rommelige" echte data, dan faalt het vaak. Je hebt dus een manier nodig om die perfecte simulaties te "vervuilen" op precies dezelfde manier als de echte data.

Wat doet EGGS?

EGGS (Empirical Genotype Generalizer for Samples) is als een slimme fotokopieerapparaat voor DNA-rommel.

Stel je voor dat je een lange, perfecte DNA-reeks hebt (de simulatie) en een korte, beschadigde DNA-reeks van een echte oude mens (de "empirische data").

1. Het patroon kopiëren: EGGS kijkt naar de echte beschadigde reeks. Waar zitten de gaten? Waar ontbreken er hele blokken informatie? Het programmeert niet zomaar willekeurige gaten in de perfecte reeks. Nee, het neemt het patroon van de echte gaten en probeert dat na te bootsen in de nieuwe, kleinere reeks.
2. De "Kleinschalige" truc: Soms is de echte reeks heel lang (bijvoorbeeld 10 miljoen letters) en de nieuwe simulatie korter (bijvoorbeeld 1 miljoen letters). EGGS deelt de lange reeks in blokjes in, telt hoeveel gaten er in elk blokje zitten, en plakt die verhouding dan op de kortere reeks. Het is alsof je een grote, vlekkenrijke muur fotografeert, en die foto dan gebruikt om een klein stukje van een andere muur te beschilderen met exact dezelfde vlekkenpatroon.

Wat kan het nog meer?

Naast het maken van die "gaten" (ontbrekende data), kan EGGS de data op andere manieren "verouderen" of veranderen, net als een tijdreiziger die een moderne foto in een oud album plakt:

• Verwarring maken: Het kan de volgorde van de letters door elkaar halen (zoals een boek waarin de pagina's los zitten).
• Oud maken (Deaminatie): Bij heel oud DNA verandert de chemische structuur van de letters (C wordt vaak T). EGGS kan dit chemische proces simuleren.
• Fouten maken: Het kan willekeurige leesfouten toevoegen, alsof de scanner van de oude DNA-machine een beetje stottert.
• Vormen veranderen: Het kan complexe dubbele DNA-structuren omzetten naar simpele, "half-diploïde" vormen (alsof je een dubbelzijdig boek in een enkelzijdig boekje plakt).

Waarom is dit belangrijk?

In het onderzoek hebben de auteurs getoond dat EGGS veel beter werkt dan de oude methoden.

• De oude methode: Was alsof je gaten in je papier gooide met een dobbelsteen. Soms viel er een gat, soms niet. Dit was te willekeurig.
• De EGGS-methode: Kijkt naar de echte "vlekken" in de echte data en plakt die vlekken strategisch neer.

Het resultaat? Als je een wetenschappelijke test doet met EGGS-data, krijg je een eerlijker beeld van hoe goed je methode echt werkt in de echte, imperfecte wereld. Het helpt wetenschappers om hun "detective-werk" bij het ontcijferen van ons verleden robuuster en betrouwbaarder te maken.

Kortom: EGGS is de tool die je helpt om je perfecte, schone simulaties een beetje "vuil" te maken, zodat ze lijken op de echte, beschadigde schatten die we uit de grond graven.

Technische samenvatting

Probleemstelling

Moderne evolutionaire studies maken vaak gebruik van gesimuleerde genetische data om methoden te testen of machine learning-modellen te trainen. Deze simulaties vinden echter vaak plaats onder ideale omstandigheden: alle genotypen zijn gephased (de ouderlijke oorsprong van allelen is bekend), er zijn geen technische artefacten, en er ontbreken geen allelen.

In werkelijkheid, vooral bij empirische data zoals oud-DNA (aDNA), is de data vaak van mindere kwaliteit. Er zijn problemen zoals:

• Ontbrekende data (missing data): Genotypen ontbreken niet willekeurig, maar vertonen patronen (bijv. door lage mappability of sequencingsfouten).
• Technische artefacten: Zoals deaminatie (waarbij cytosine verkeerd wordt gelezen als thymine) en sequencingsfouten.
• Pseudohaploïdie: Bij lage kwaliteit aDNA wordt vaak willekeurig één allel gekozen in plaats van een heterozygoot te bellen.

Het negeren van deze discrepanties tussen ideale simulaties en ruwe empirische data kan leiden tot foutieve inferenties en onbetrouwbare resultaten. Bestaande methoden om ontbrekende data te introduceren zijn vaak te simpel (bijv. willekeurige verdeling op basis van een vooraf gedefinieerde verdeling) of vereisen specifieke bestandsformaten die niet universeel toepasbaar zijn.

Methodologie

De auteurs introduceren EGGS (Empirical Genotype Generalizer for Samples), een C-programma dat de verdeling van ontbrekende genotypen uit een empirisch segment extrahert en deze patronen nabootst in synthetische replicaten.

Kernprincipes van de methode:

1. Replicatie van ontbrekende sites:
   • Het empirische segment met $N$ sites wordt opgedeeld in $M$ blokken (waarbij $M < N$ is voor het synthetische replicaat).
   • Voor elk blok wordt het gemiddelde aantal ontbrekende genotypen per steekproef berekend.
   • Bij het genereren van een synthetisch replicaat wordt voor elk blok willekeurig een empirisch steekproef geselecteerd om de kans te bepalen of een site als ontbrekend wordt gemarkeerd. Dit behoudt de grootschalige trends van ontbrekende data in plaats van deze puur willekeurig te verdelen.
2. Bestandsconversie en formaten:
   • EGGS accepteert VCF, ms-style replicaten en EIGENSTRAT/ANCESTRYMAP formaten (vaak gebruikt voor aDNA).
   • Het kan converteren tussen deze formaten en produceert standaard diploïde VCF-bestanden.
3. Aanvullende functies:
   • Verwijderen van fase: Verwisselt linker- en rechterallelen en vervangt | door /.
   • Verwijderen van polarisatie: Verwisselt willekeurig ancestrale en afgeleide allelen.
   • Simulatie van deaminatie: Simuleert C->T transities op basis van door de gebruiker opgegeven kansen.
   • Sequencing errors: Verwisselt allelen met een opgegeven waarschijnlijkheid.
   • Pseudohaploïden: Maakt homozygote calls van heterozygote sites door willekeurig één allel te kiezen.

Belangrijkste Bijdragen

• EGGS Software: Een snelle, in C geschreven tool die duizenden replicaten kan verwerken.
• Empirische Generalisatie: In plaats van ontbrekende data te modelleren met een theoretische verdeling (zoals een beta-verdeling), gebruikt EGGS de daadwerkelijke verdeling van ontbrekende data uit een referentie-dataset om patronen te kopiëren.
• Veelzijdigheid: De tool biedt een uitgebreide set functies om synthetische data realistischer te maken voor aDNA-studies, inclusief conversie tussen veelgebruikte formaten.
• Open Beschikbaarheid: De broncode, executables en handleiding zijn beschikbaar via GitHub.

Resultaten

De auteurs hebben EGGS getest door 200 diploïde samples te simuleren met msprime en vervolgens ontbrekende data toe te voegen met zowel de EGGS-methode als een traditionele beta-verdeling methode. Deze werden vergeleken met een dataset van 217 oude menselijke samples (Mathieson et al.) op chromosoom 1.

• Meting: Er werd Dynamic Time Warping (DTW) gebruikt om de gelijkenis te meten tussen het signaal van ontbrekende data in de empirische dataset en de gesimuleerde datasets. Een lagere DTW-waarde duidt op meer gelijkenis.
• Vergelijking: Voor alle segmentlengtes (van 1 Mb tot 10 Mb) presteerde de EGGS-methode beter dan de beta-verdeling methode (lagere DTW-waarden).
• Trend: Het verschil in prestatie nam toe bij langere segmenten. Dit suggereert dat de beta-verdeling misschien voldoende is voor korte segmenten of wanneer ontbrekende data minder kritiek is, maar dat EGGS essentieel is om de fluctuaties in ontbrekende data nauwkeurig te reproduceren naarmate het aantal segregatieplaatsen toeneemt.

Betekenis en Conclusie

EGGS biedt een krachtige oplossing om de kloof tussen ideale simulaties en ruwe empirische data te overbruggen. Door de specifieke patronen van ontbrekende data en technische artefacten uit echte datasets te kopiëren naar simulaties, kunnen onderzoekers:

1. Robuustere inferenties maken, vooral binnen het veld van oud-DNA (aDNA).
2. Realistischere trainingsdata genereren voor machine learning-modellen.
3. Betere methoden testen die specifiek gericht zijn op data met fouten en missingness.

De auteurs erkennen wel dat de methode beperkingen heeft bij zeer grote verschillen in het aantal loci tussen bron en doel, of bij data waar aangrenzende ontbrekende sites sterk gecorreleerd zijn (wat minder vaak voorkomt bij aDNA). Desalniettemin vormt EGGS een belangrijke stap voorwaarts in het creëren van realistische genetische simulaties voor evolutionaire biologie.