Computing coalescence rates for complex demographies and sampling configurations

Dit artikel introduceert de softwarebibliotheek *demestats*, die nauwkeurigere demografische inferentie mogelijk maakt door coalescentie-snelheden voor complexe steekproefconfiguraties te berekenen, wat een verbeterde reconstructie van recente menselijke bevolkingsgeschiedenis oplevert vergeleken met eerdere methoden.

De kern

Stel je voor dat het menselijk DNA een enorme, ingewikkelde geschiedenisboek is. Maar in plaats van geschreven pagina's, bestaat dit boek uit duizenden kleine, verweven stambomen die vertellen hoe onze voorouders met elkaar verbonden zijn. De auteurs van dit paper, Jiatong Liang en Jonathan Terhorst, hebben een nieuw gereedschap ontwikkeld om deze boeken te lezen. Ze noemen hun tool demestats.

Hier is een uitleg in simpele taal, met wat creatieve vergelijkingen:

1. Het oude probleem: De "twee-personen" blindheid

Vroeger keken wetenschappers vooral naar paren (twee mensen) om de geschiedenis te reconstrueren.

• De analogie: Stel je voor dat je probeert te begrijpen hoe druk het was op een groot festival 100 jaar geleden, maar je kijkt alleen naar twee willekeurige mensen die je tegenkomt. Als die twee mensen elkaar pas heel lang geleden hebben ontmoet (in hun stamboom), zegt dat je weinig over de drukte van gisteren.
• Het probleem: Twee lijnen in een stamboom "smelten" (coalesceren) pas heel lang geleden samen. Dat betekent dat deze methode goed is voor het zien van oude geschiedenis, maar volledig blind is voor wat er recent is gebeurd (zoals een recente bevolkingsexplosie of recente migratie). Het is alsof je probeert een snelle auto te zien door alleen naar de horizon te kijken; je ziet de auto pas als hij al lang voorbij is.

2. De nieuwe oplossing: De "menigte" benadering

De auteurs introduceren een manier om niet naar twee, maar naar veel mensen tegelijk te kijken (bijvoorbeeld 50 of 100).

• De analogie: In plaats van twee mensen te bekijken, kijken we nu naar een hele menigte op het festival. Als er 50 mensen zijn, is de kans veel groter dat er iemand in de menigte iemand anders tegenkomt die hij al kent, en dat dit recent is gebeurd.
• Het resultaat: Door naar grote groepen te kijken, kunnen we de "snelheid" van samensmelting in de recente geschiedenis meten. Dit geeft ons een veel scherper beeld van wat er de afgelopen paar duizend jaar is gebeurd.

3. Hoe werkt de tool? (De "Rekenmachine")

Het rekenen aan al deze mogelijke stambomen is ontzettend moeilijk, alsof je probeert alle mogelijke routes te berekenen in een doolhof met miljarden paden.

• De exacte methode: Voor kleine groepen doet de computer de berekening exact, alsof hij elke single stap in het doolhof meet.
• De "Gemiddelde" methode (Mean-field): Voor heel grote groepen wordt het doolhof te groot. Dan gebruikt de tool een slimme schatting: in plaats van elke individuele persoon te volgen, kijkt hij naar het gemiddelde gedrag van de menigte.
  • Vergelijking: Het is het verschil tussen het tellen van elke druppel regen (exact) versus het kijken naar de gemiddelde regenval van een storm (schatting). Voor grote stormen werkt de schatting vaak net zo goed en is het veel sneller.

4. Wat hebben ze ontdekt?

Met dit nieuwe gereedschap hebben ze twee belangrijke dingen gedaan:

• Het "Zichtbaarheids"-test: Ze hebben getest welke delen van de geschiedenis je kunt zien met welke groepsgrootte.
  • Conclusie: Kijk je naar twee mensen? Dan zie je de oude, verre geschiedenis. Kijk je naar 50 mensen? Dan zie je de recente geschiedenis scherp, maar wordt de oude geschiedenis wazig. Dit helpt onderzoekers te weten welke vragen ze met welke data kunnen beantwoorden.
• De Menselijke Expansie: Ze hebben de tool toegepast op het DNA van 1000 mensen uit de hele wereld (het 1000 Genomes Project).
  • Het verhaal: Ze zagen dat de menselijke bevolking de laatste 7.500 tot 10.000 jaar (sinds de landbouw begon) enorm is gegroeid. Ze konden de snelheid van deze groei veel nauwkeuriger meten dan voorheen mogelijk was.

5. De beperking: De "Ruwe Schets"

Er is één belangrijk punt van waarschuwing. De tool werkt met stambomen die door computers zijn geraden uit DNA-gegevens (geen perfecte foto's, maar eerder schetsen).

• De analogie: Het is alsof je een reconstructie maakt van een ongeluk op basis van een onscherpe bewakingscamera. De tool is heel goed, maar als de camera (de computer die de stamboom maakt) de beelden iets vervormt, kan de reconstructie ook een beetje scheef zijn. De auteurs zeggen dat ze de recente groei misschien iets te snel hebben gemeten omdat de computer de "oudste" delen van de stamboom soms wat dichter bij het heden schuift.

Samenvatting

Demestats is als een nieuwe soort verrekijker voor genetici.

• De oude verrekijker (voor paren) was goed om naar de verre horizon te kijken, maar zag niets van wat er nu gebeurt.
• De nieuwe verrekijker (voor grote groepen) zoomt in op het heden en laat zien hoe snel de mensheid de laatste eeuwen is gegroeid en verplaatst.

Het helpt ons te begrijpen dat we, net als een snelgroeiende stad, de afgelopen paar duizend jaar een enorme "babyboom" hebben doorgemaakt, en dat we nu beter kunnen meten hoe snel die stad groeide dan ooit tevoren.

Technische samenvatting

Probleemstelling

Demografische inferentie op basis van genetische data is afhankelijk van de verdeling van coalescentietijden (de tijdstippen waarop voorouders samenkomen). Traditionele methoden gebruiken vaak samenvattende statistieken zoals het site frequency spectrum (SFS) of pairwise coalescent rates (ICR voor $k=2$).

• Beperking van paar-gebaseerde methoden: Coalescenties in steekproeven van slechts twee individuen zijn zeldzaam in de recente geschiedenis. Hierdoor hebben pairwise-methoden weinig kracht om recente demografische gebeurtenissen (zoals recente bevolkingsgroei of recente migratie) op te lossen.
• Complexiteit bij grotere steekproeven: Hoewel het analyseren van grotere steekproeven ($k > 2$) theoretisch meer informatie over de recente geschiedenis biedt, zijn exacte berekeningen van coalescentie-hazardfuncties voor complexe, gestructureerde demografische modellen (met migratie en admixing) computationeel zeer zwaar. De toestandruimte groeit exponentieel met het aantal lijnen, waardoor exacte methoden vaak onpraktisch zijn voor grote steekproeven.
• Gebrek aan generaliseerbaarheid: Bestaande methoden vereisen vaak specifieke afleidingen voor elk nieuw demografisch model, wat de toepasbaarheid beperkt.

Methodologie: demestats

De auteurs introduceren demestats, een Python-bibliotheek die coalescentiestatistieken berekent voor modellen gespecificeerd in het demes-formaat. De kern van de methode is een aanpassing van de "event-tree" formalisme (oorspronkelijk ontwikkeld voor SFS-berekeningen in de momi-familie), maar nu toegepast op coalescentietijden.

1. Event-Tree Formalisme:

   • De methode gebruikt een boomstructuur die demografische gebeurtenissen (split, merge, pulse, admix) in de tijd terugwaarts volgt.
   • In plaats van branch lengths (voor SFS), wordt de staat van de boom bijgehouden als een tensor die de verdeling van lijnen over populaties (deme's) beschrijft, gecombineerd met een log-overlevingsterm.
   • De recursie combineert lokale gebeurtenisoperatoren (Split, Merge, Pulse, Admix) met continue tijdspropagatie (lift) via migratie en coalescentie.

2. Exacte Berekening vs. Mean-Field Benadering:

   • Exact: Voor kleine steekproeven wordt de exacte hazardfunctie berekend door de volledige toestandruimte (conditional distribution of ancestral locations) te volgen. Dit is mogelijk voor kleine $k$ of eenvoudige modellen.
   • Mean-Field (MF) Benadering: Voor grote steekproeven wordt de volledige verdeling benaderd door lage-orde momenten (verwachte aantallen lijnen en hun varianties). De auteurs introduceren een specifieke decompositie waarbij lijnen worden gegroepeerd op basis van hun oorspronkelijke steekproefpopulatie. Dit reduceert de complexiteit van exponentieel naar lineair/kwadratisch, waardoor berekeningen voor grote $k$ haalbaar worden.

3. Differentieerbaarheid:

   • De implementatie is volledig differentieerbaar met betrekking tot demografische parameters. Dit maakt het mogelijk om de Fisher-informatie te berekenen voor lokale identificeerbaarheid en likelihood-based inferentie uit te voeren.

4. Statistieken:

   • ICR (Instantaneous Coalescent Rate): De hazard van het eerste coalescentie-evenement voor $k$ lijnen.
   • CCR (Cross-Coalescent Rate): De hazard voor het eerste coalescentie-evenement tussen lijnen uit verschillende populaties (bijv. rood vs. blauw), essentieel voor het bestuderen van populatiescheiding en migratie.

Belangrijkste Bijdragen

• Generaliseerbaar Framework: demestats biedt een universele manier om coalescentie-hazardfuncties te berekenen voor willekeurige steekproefconfiguraties en complexe demografieën zonder per model nieuwe vergelijkingen af te leiden.
• Schalbaarheid: Door de combinatie van exacte berekeningen en mean-field benaderingen kunnen grotere steekproeven worden geanalyseerd, wat de resolutie voor recente demografie aanzienlijk verbetert.
• Identificeerbaarheidsanalyse: De tool kan de Fisher-informatie visualiseren om te bepalen welke demografische parameters (bijv. populatiegrootte in een bepaalde tijdspanne of migratiepercentages) daadwerkelijk uit de data kunnen worden afgeleid voor een specifieke steekproefopzet.
• Differentieerbare Inferentie: De mogelijkheid om gradiënten te berekenen maakt het mogelijk om likelihood-maximalisatie en andere statistische inferentiemethoden direct toe te passen op coalescentietijden.

Resultaten

De auteurs testen de methode via simulaties en toepassing op data van het 1000 Genomes Project:

1. Identificeerbaarheid:

   • Voor $k=2$ (paarsgewijs) is de informatie voornamelijk gevoelig voor oude demografische gebeurtenissen; recente groei is vaak "weggespoeld" (slechte identificeerbaarheid).
   • Voor grote $k$ (bijv. $k=20$ of $50$) verschuift de informatieve kracht sterk naar de recente geschiedenis. Recentere bevolkingsgroei en bottlenecks worden duidelijk zichtbaar, terwijl oude epochen minder invloed hebben.
   • Bij gestructureerde modellen (bijv. migratie tussen populaties) is de CCR zeer gevoelig voor migratieparameters, zelfs als populatiegroottes zelf slecht geïdentificeerd zijn.

2. Kracht voor Migratie-inferentie:

   • De kans om recente migratie te detecteren (via cross-coalescentie vóór de splitsingstijd) neemt kwadratisch toe met het aantal lijnen per populatie ($n^2$). Dit betekent dat grote steekproeven de benodigde hoeveelheid onafhankelijke bomen (genomische loci) drastisch verkleinen om recente migratie met hoge power te detecteren.

3. Robuustheid tegen Modelmisspecificatie:

   • Een verrassend resultaat is dat bij grote $k$ de inferentie van recente parameters robuust is ten opzichte van misspecificatie van de oude demografie. Als het doel is om recente groei te schatten, hoeft het oude model niet perfect te zijn ("blessing of model misspecification").
   • In tegenstelling hiermee is $k=2$ zeer gevoelig voor fouten in het oude model.

4. Toepassing op 1000 Genomes Data:

   • Toepassing op inferred tree sequences (via tsinfer/tsdate) leverde schattingen op voor recente bevolkingsgroei en huidige effectieve populatiegrootte.
   • Limitatie: De auteurs merken op dat inferred ARG's (Ancestral Recombination Graphs) de verdeling van hogere-orde coalescentietijden ($T_{50}$) kunnen verstoren (verschuiving naar het heden), wat kan leiden tot een onderschatting van de duur van groei of de grootte van de populatie. Desondanks zijn de resultaten consistent met eerdere studies.

Betekenis en Conclusie

Dit werk biedt een krachtig nieuw instrument voor populatiegenetici om de recente geschiedenis van populaties te reconstrueren. Door de beperkingen van paar-gebaseerde methoden te overwinnen via grotere steekproeven en geavanceerde benaderingen, maakt demestats het mogelijk om:

• Recentere demografische gebeurtenissen (groei, migratie) met veel hogere resolutie te analyseren.
• Te bepalen welke parameters in een complex model überhaupt te schatten zijn.
• Robuustere inferentie uit te voeren waarbij minder afhankelijk is van de exacte specificatie van de diepe prehistorie.

De belangrijkste beperking blijft de kwaliteit van de input (de inferred tree sequences), aangezien fouten in het reconstrueren van de genealogie de schattingen van hogere-orde coalescenties kunnen beïnvloeden. Toekomstig werk zou zich moeten richten op het combineren van kleine en grote $k$-likelihoods en het corrigeren van bias in inferred ARG's.