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

Technische Samenvatting: Wat de inferentie van lokale afstamming bij lage divergentie beperkt

Probleemstelling
Lokale afstamming-inferentie (LAI) wijst genomische posities in gemengde individuen toe aan bronpopulaties, een vereiste voor admixture mapping en afstammingsspecifieke associatietesten. Hoewel routinematige LAI-methoden goed presteren op sterk divergente bronnen (bijv. Afrikaans/Europees/Native American, $F_{ST} \approx 0,1$), is hun effectiviteit bij nauw verwante populaties (bijv. Noordelijk versus Zuidelijk Han-Chinees, $F_{ST} \approx 0,0004$) nog niet getest. Huidige benchmarks vertrouwen zwaar op coalescent-simulaties en metrieken voor per-site nauwkeurigheid, wat mogelijk niet de op segmentniveau vereiste structuur reflecteert voor downstream analyses zoals admixture dating. Deze studie onderzoekt de uitvoerbaarheidsgrenzen van LAI bij lage divergentie, de geldigheid van simulatiegebaseerde benchmarks, en de relatieve bijdragen van inputrepresentatie versus modelarchitectuur.

Methodologie
De auteur evalueerde vijf methoden over een continu gradiënt van brondivergentie ($F_{ST}$ van 0,0022 tot 0,243) met behulp van twee verschillende datatracks:

1. Coalescent-simulaties: Tweeweg-admixture-events werden gesimuleerd met exacte ground truth labels gegenereerd door het mosaïek maken van donorhaplotypen.
2. Echte Haplotypes: Dezelfde mosaïek-constructie werd toegepast op gefaseerde 1000 Genomes-haplotypen over 11 populatieparen (variërend tussen Oost-Aziatische, Europese en Zuid-Aziatische groepen).

Vergeleken Methoden:

• Baselines: Een windowed likelihood classifier en een likelihood classifier die wordt gladgestreken door een Hidden Markov Model (HMM).
• Vrijgegeven Tools: RFMix v2 en FLARE.
• Neuraal Netwerk: Een dilatatie-convolutie neuraal netwerk (CNN) getraind voor per-site segmentatie. Het netwerk werd in twee configuraties getest:
  • Alleen frequentie: De input bestaat uit allelfrequenties en log-likelihood ratio's.
  • Haplotype-bewust: Dezelfde architectuur aangevuld met vier kanalen die lokale haplotype-matching tegen referentiepanels samenvatten.

Belangrijkste Bijdragen en Bevindingen

1. Er bestaat een uitvoerbaarheidsvloer
Er is een harde limiet aan de LAI-prestaties die wordt bepaald door de informatie-inhoud van de data in plaats van algoritmische verfijning.

• Bij $F_{ST} = 0,0022$ overschrijdt geen enkele methode een nauwkeurigheid van 0,575.
• Voor het CHB/CHS-paar ($F_{ST} = 0,00042$) is de beste nauwkeurigheid 0,551.
• Onder deze drempels zijn de verschillen tussen methoden kleiner dan de variabiliteit tussen opeenvolgende runs, wat aangeeft dat de data onvoldoende signaal bevat om bronnen te onderscheiden. Dit impliceert dat gepubliceerde inferenties van fijnmazige afstammingssegmenten binnen dergelijke populaties (bijv. binnen Han-Chinezen of binnen Europa) onder de huidige omstandigheden onvoldoende onderbouwd zijn.

2. Per-site Nauwkeurigheid is een Misleidende Metriek
De standaardmetriek, per-site nauwkeurigheid, slaagt er niet in de structurele integriteit van het geïnferreerde mosaïek vast te leggen.

• De dilatatie-CNN bereikte een hoge per-site nauwkeurigheid in simulaties, maar produceerde 78,8 keer meer afstammingssegmenten dan de ground truth, wat impliceert dat een admixture-tijd 61,2 keer ouder is dan de werkelijkheid.
• In tegenstelling hiertoe produceerden RFMix en FLARE segmentaantallen die dicht bij de waarheid lagen.
• Het toepassen van een Viterbi-decoder (gebruikmakend van een vaste transitie-prior gebaseerd op recombinatie) corrigeerde de segmentstructuur van de CNN-logits (waardoor de fout werd verminderd tot 1,56×) met een verwaarloosbare kostenpost voor de per-site nauwkeurigheid (+0,0002). Dit toont aan dat de metriek blind is voor defecten die de outputs onbruikbaar maken voor admixture dating.

3. Simulatie Voorspelt Geen Prestaties in de Werkelijkheid
Het voordeel van een geleerd algoritme in simulaties vertaalt zich niet naar echte data.

• In simulaties presteerde de dilatatie-CNN tot 0,048 beter dan de beste vrijgegeven tool bij lage divergentie.
• Op echte 1000 Genomes haplotypes werd de CNN in 10 van de 11 paren overtroffen door vrijgegeven tools, met een gemiddeld tekort van -0,032.
• Dit verschil komt niet doordat de simulator "schonere" data genereert; gesimuleerde panels bevatten feitelijk meer exploiteerbaar haplotype-signaal dan echte panels bij een gelijke divergentie. De mislukking ontstaat omdat het frequentie-alleen netwerk vertrouwt op informatie die onvoldoende is op echte chromosomen, terwijl vrijgegeven tools volledige haplotype-informatie gebruiken.

4. Inputrepresentatie is de Primaire Bottleneck
Het prestatieverschil wordt gedreven door de inputrepresentatie in plaats van architecturale keuzes.

• Architecturale Interventies: Variaties in attention-mechanismen, state-space lagen, capaciteit en pretraining zorgden voor een verandering in nauwkeurigheid van maximaal 0,006.
• Input Interventies: Het voorzien van de CNN van haplotype-matching kanalen (overeenkomend met de input van RFMix/FLARE) herstelde +0,031 nauwkeurigheid op 8 van de 8 paren onder $F_{ST} = 0,04$.
• Echter, zelfs met deze input-pariteit bleef het netwerk achter de vrijgegeven tools op 10 van de 11 paren, wat suggereert dat hoewel de input noodzakelijk is, het niet voldoende is om de kloof volledig te dichten. Het netwerk overtrof de vrijgegeven tools alleen bij het CEU/TSI-paar ($F_{ST} = 0,0027$), het minst divergente paar waar enige methode informatief was.

5. Referentiepanel Grootte en Statistieken Belangrijker dan Architectuur
Twee factoren die conventioneel vaststaan in vergelijkingen, bleken invloedrijker dan architecturaal ontwerp:

• Samenvattende Statistiek: Neurale methoden gebruiken doorgaans overeenstemmingspercentages (Hamming-afstand), terwijl kopieermodellen (RFMix/FLARE) continue overeenstemmingslengtes gebruiken (voldoende statistieken voor het Li–Stephens model). Contiguïteit is discriminatiever, maar biedt alleen een voordeel wanneer het referentiepanel klein is; het fungeert als een substituut voor de panelgrootte in plaats van een onafhankelijk signaal.
• Panel Grootte: Geen enkele methode benaderde verzadiging. Het vergroten van het referentiepanel van 80 naar 100 haplotypes verbeterde de nauwkeurigheid voor alle methoden (inclusclusief de CNN, RFMix en FLARE) zonder de relatieve volgorde te veranderen.

6. Gevoeligheid voor Phasing-fouten
Fouten in de fase-overgangen fragmenteren haplotypes zonder de allelfrequenties te veranderen.

• Methoden die vertrouwen op langetermijn-integratie (zoals de frequentie-alleen CNN) zijn het meest gevoelig voor deze fouten en lijden onder een groter verlies aan nauwkeurigheid dan methoden die geen context integreren (windowed likelihood) of die expliciet haplotypes modelleren (RFMix/FLare).
• Het toevoegen van haplotype-matching kanalen verminderde deze gevoeligheid, waardoor de haplotype-bewuste configuratie robuuster is tegen phasing-fouten dan de frequentie-alleen versie.

Betekenis en Claims
Het artikel betoogt dat de beperkingen van LAI bij lage divergentie primair datagedreven zijn (onvoldoende signaal in het genoom) en representatieproblemen betreffen (mismatch in inputinformatie), in plaats van een falen van geleerde inferentie-architecturen. Het benadrukt drie specifieke valkuilen in de huidige evaluatiepraktijken:

1. Het vertrouwen op per-site nauwkeurigheid, wat structurele defecten maskeert die cruciaal zijn voor downstream analyse.
2. Het uitsluitend valideren op simulaties, wat de prestaties van geleerde methoden vergeleken met vrijgegeven tools kunstmatig kan opblazen.
3. Het vergelijken van methoden met ongelijke inputrepresentaties (bijv. frequentie-alleen versus haplotype-bewust).

De auteur concludeert dat voor nauw verwante populaties de "vloer" van de prestaties wordt bepaald door de informatie-inhoud van de data. Hoewel het leveren van haplotype-informatie de prestaties verbetert, garandeert dit geen gelijkwaardigheid aan gevestigde tools, en claims van fijnmazige afstammingsinferentie in deze regimes vereisen onafhankelijke ondersteuning buiten de inferentie zelf. De studie suggereert dat toekomstige benchmarks segment-niveau statistieken moeten rapporteren, moeten valideren op echte haplotypes en input-pariteit tussen vergeleken methoden moeten waarborgen.