Model selection in ADMIXTURE can be inconsistent: proof of the K=2 phenomenon

Dit artikel bewijst theoretisch dat de veelgebruikte ΔK-methode voor het selecteren van het aantal ancestrale populaties (K) in ADMIXTURE inconsistent kan zijn en zelfs met oneindige data vaak onterecht K=2 kiest, zelfs wanneer er meer substructuur aanwezig is.

De kern

Stel je voor dat je een grote bak met gekleurde marmeren hebt. Sommige zijn rood, sommige blauw, en sommige groen. Maar in de bak zijn ze niet perfect gescheiden; er zitten ook veel marmeren die een beetje paars zijn (rood + blauw) of oranje (rood + geel).

Je wilt weten: Hoeveel verschillende oorspronkelijke kleuren (stammen) zitten er eigenlijk in deze bak?

In de wereld van genetica doen wetenschappers precies dit. Ze kijken naar het DNA van mensen of dieren om te zien hoe ze met elkaar verwant zijn. Twee populaire methoden om dit te doen heten STRUCTURE en ADMIXTURE. Ze proberen de marmeren in groepjes te verdelen op basis van hun "stam".

Maar hier is het probleem: Je moet eerst zelf kiezen hoeveel groepen er zijn. Noem dit getal K.

• Kies je K=2? Dan zeg je: "Er zijn alleen maar Rood en Blauw."
• Kies je K=3? Dan zeg je: "Er zijn Rood, Blauw én Groen."

De meeste mensen gebruiken een slimme rekenregel van een man genaamd Evanno (de $\Delta K$-methode) om dit getal K te raden. Deze regel kijkt naar de data en zegt: "Kijk, hier buigt de lijn het hardst om! Dit is het juiste aantal groepen."

Het probleem: De "K=2" Valstrik

Wetenschappers hebben al lang gemerkt dat deze slimme rekenregel vaak een fout maakt. Zelfs als er duidelijk drie groepen zijn, zegt de regel vaak: "Nee, er zijn er maar twee!" (K=2).

Dit is als een detective die een moordzaak onderzoekt met drie verdachten, maar de bewijslast zo interpreteert dat hij concludeert: "Het waren maar twee mensen die het deden." Dit kan leiden tot verkeerde conclusies over hoe soorten zich ontwikkelen of hoe we natuurgebieden moeten beschermen.

Wat bewijzen deze auteurs?

De auteurs van dit paper (Dat Do en Jonathan Terhorst) zeggen: "Wij hebben de wiskundige reden gevonden waarom deze regel zo dom doet."

Ze bewijzen dat er een specifieke situatie is waarin de rekenregel altijd faalt, zelfs als je oneindig veel data hebt.

De Analogie van de Drie Vrienden:
Stel je drie vrienden voor:

1. Jan (woont in het noorden).
2. Piet (woont in het oosten).
3. Klaas (woont ook in het oosten, maar een stukje verder weg dan Piet).

Jan is heel anders dan Piet en Klaas. Maar Piet en Klaas lijken op elkaar alsof ze tweeling zijn.

De rekenregel ($\Delta K$) kijkt naar de "afstand" tussen de groepen.

• Als Piet en Klaas erg op elkaar lijken (ze wonen dicht bij elkaar), en Jan is heel anders, dan denkt de rekenregel: "Ah, Piet en Klaas zijn zo op elkaar, dat is eigenlijk één groep. En Jan is de andere groep. Dus er zijn 2 groepen."
• De rekenregel ziet niet dat Piet en Klaas toch twee aparte groepen zijn, omdat het verschil tussen hen zo klein is vergeleken met het grote verschil met Jan.

De auteurs bewijzen wiskundig dat dit gebeurt als de verschillen tussen de groepen (in genetische termen: $F_{ST}$) te klein zijn. Als de groepen te veel op elkaar lijken, "smelt" de rekenregel twee groepen samen tot één, en kiest dan voor K=2.

Waarom is dit belangrijk?

1. Het is geen fout in de software: Het is geen bug in het computerprogramma. Het is een fundamenteel probleem met de manier waarop de rekenregel werkt.
2. Het gebeurt bij echte mensen: De auteurs tonen aan dat dit scenario heel vaak voorkomt bij moderne menselijke populaties. Onze genetische verschillen zijn vaak zo klein dat deze rekenregel ons bijna altijd vertelt dat er maar 2 grote groepen zijn, terwijl er in werkelijkheid veel meer subgroepen zijn.
3. Advies voor wetenschappers: Je mag niet blindelings vertrouwen op één getal (K=2) dat deze methode oplevert. Je moet ook kijken naar de biologische context en andere manieren om naar de data te kijken.

Samenvatting in één zin

Deze paper legt uit waarom de meest gebruikte rekenregel om populaties te tellen, vaak "te slordig" is en twee verschillende groepen samenvoegt tot één, vooral wanneer die groepen net iets op elkaar lijken, waardoor we denken dat er maar twee soorten zijn in plaats van drie of meer.

Technische samenvatting

Probleemstelling

Bij het analyseren van genetische data zijn methoden zoals STRUCTURE en ADMIXTURE standaardtools om populatiestructuur te detecteren. Deze modellen veronderstellen dat geobserveerde genotypen een mengsel zijn van $K$ latente voorouderpopulaties. Een cruciale, maar lastige stap is het kiezen van het juiste aantal populaties ($K$).

De meest gebruikte methode hiervoor is Evanno's $\Delta K$, die de "elleboog" in de log-likelihood curve detecteert door de tweede-orde verandering in de log-likelihood te analyseren naarmate $K$ toeneemt. Hoewel deze methode wijdverbreid is, hebben onderzoekers empirisch vastgesteld dat $\Delta K$ vaak neigt naar onderfitten (underfitting). Het selecteert frequent een te klein $K$, en in het bijzonder $K=2$, zelfs wanneer er meer betekenisvolle substructuren in de data aanwezig zijn. Dit heeft serieuze implicaties voor behoud en management van soorten, maar er ontbrak tot nu toe een strikte wiskundige verklaring voor dit fenomeen.

Methodologie

De auteurs analyseren het probleem theoretisch binnen het raamwerk van Maximum Likelihood Estimation (MLE), zoals gebruikt in ADMIXTURE.

1. Modeldefinitie: Ze beschouwen een haploïde admixtietmodel waarbij genotypen ($X$) worden gegenereerd door $K_0$ ware populaties met specifieke allelfrequenties ($P$) en mengverhoudingen ($Q$).
2. $\Delta K$-criterium: In plaats van de genormaliseerde versie van Evanno (die een standaarddeviatie-term bevat), analyseren ze de ongenormaliseerde tweede-orde verandering van de log-likelihood:
   $$\hat{\Delta}(K) := |2\hat{L}(K) - \hat{L}(K-1) - \hat{L}(K+1)|$$
   De geschatte $K$ ($\hat{K}$) is de waarde die $\hat{\Delta}(K)$ maximaliseert.
3. Aannames:
   • De allelfrequenties zijn begrensd weg van 0 en 1 (Assumptie 1).
   • Individuen behoren puur tot één van de drie ware populaties ($K_0=3$), wat het signaal maximaliseert (Assumptie 2).
4. Divergentiemaatstaven: De theorie wordt gebaseerd op de Kullback-Leibler (KL) divergentie tussen allelfrequentieverdelingen. Ze definiëren:
   • $D_{31}$: De totale heterogeniteit van de drie populaties.
   • $D_{32}$: De informatieverlies bij het samenvoegen van twee specifieke populaties (populatie 2 en 3).

Belangrijkste Bijdragen en Resultaten

De paper levert twee hoofdtheorema's die de inconsistentie van $\Delta K$ bewijzen.

1. Theorema 1: De Voorwaarde voor Inconsistentie

De auteurs bewijzen dat $\Delta K$ inconsistent kan zijn, wat betekent dat het zelfs met oneindig veel data ($N, L \to \infty$) de verkeerde $K$ selecteert.

• Resultaat: Als de divergentie tussen twee populaties relatief klein is ten opzichte van de totale divergentie, specifiek wanneer:
  $$D_{32} < \frac{1}{3} D_{31}$$
  dan zal de $\Delta K$-methode met waarschijnlijkheid 1 kiezen voor $\hat{K}=2$, zelfs als het ware aantal populaties $K_0=3$ is.
• Interpretatie: Het "elleboog"-criterium ziet het samenvoegen van twee populaties (2 en 3) als een goedkope stap in termen van informatieverlies, waardoor de methode de complexiteit van de derde populatie negeert.

2. Theorema 2: Toepassing op Realistische Populatiegenetica

De auteurs tonen aan dat de bovengenoemde ongelijkheid kan worden voldaan onder een realistisch populatiegenetisch model, namelijk het geneste Balding-Nichols-model (een hiërarchisch model met genetische drift).

• Model: Ze gebruiken driftparameters $F_{root}$ (drift tussen de wortel en populatie 1) en $F_{sub}$ (drift binnen de tak die populatie 2 en 3 verbindt).
• Resultaat: Als de driftparameters klein zijn (wat overeenkomt met lage $F_{ST}$-waarden, zoals vaak gezien bij menselijke populaties) en de verhouding voldoet aan:
  $$F_{root} / F_{sub} > 3/4$$
  dan zal $\Delta K$ consistent falen en $K=2$ selecteren.
• Simulaties: Numerieke simulaties met $N=150$ individuen en $L=2000$ SNP's bevestigen deze theoretische drempel. De resultaten tonen een scherpe overgang (fase-overgang) rond de voorspelde grens $F_{root}/F_{sub} = 0.75$. Wanneer $F_{root}$ toeneemt ten opzichte van $F_{sub}$, neigt de methode steeds meer naar het samenvoegen van populatie 2 en 3.

Significantie en Conclusie

• Theoretisch Bewijs: Dit is het eerste paper dat een strikte wiskundige verklaring biedt voor het veelvoorkomende "K=2-fenomeen". Het toont aan dat het probleem niet slechts een artefact van kleine datasets of slechte initialisatie is, maar een fundamenteel tekortkoming van het $\Delta K$-criterium onder specifieke populatiecondities.
• Praktische Implicatie: De bevindingen waarschuwen onderzoekers dat $\Delta K$ niet als enige criterium mag worden gebruikt, vooral niet bij het analyseren van nauw verwante populaties (lage $F_{ST}$). In deze scenario's kan de methode systematisch de ware complexiteit van de populatiestructuur onderschatten.
• Aanbeveling: De auteurs pleiten ervoor om $\Delta K$ te interpreteren in combinatie met andere selectiecriteria en biologische context. Het is beter om resultaten over een bereik van $K$-waarden te rapporteren in plaats van te vertrouwen op één enkele "optimale" waarde.

Samenvattend bewijst dit werk dat de populariteit van Evanno's $\Delta K$ in sommige gevallen misleidend kan zijn, en biedt het een wiskundige basis om te begrijpen waarom en wanneer deze methode faalt bij het detecteren van substructuren in genetische data.