A Two-step Feature Selection Framework for Computationally Efficient Machine Learning on Genome-wide SNP Data

Het menselijk genoom is een enorme bibliotheek van biologische instructies, geschreven in een code die bestaat uit vier chemische letters. Binnen deze code fungeren minuscule variaties, genaamd single nucleotide polymorphisms of SNP's, als unieke markers die de ene persoon van de andere onderscheiden. Deze markers zijn verspreid over het hele genoom, en wanneer wetenschappers ze verzamelen van duizenden mensen, creëren ze datasets die zo massaal zijn dat ze tientallen miljoenen van deze genetische punten bevatten. De uitdaging voor onderzoekers is niet alleen het opslaan van deze informatie, maar het begrijpelijk maken ervan. Wanneer het aantal genetische markers het aantal mensen dat wordt bestudeerd ver overstijgt, hebben standaard computerprogramma's moeite om het signaal in de ruis te vinden. Ze raken vaak overweldigd, wat leidt tot fouten of de noodzaak voor rekenkracht die simpelweg niet bestaat. Dit creëert een knelpunt voor het begrijpen van hoe genetische verschillen zich verhouden tot de herkomst van iemands voorouders, een vraag die de kern vormt van de moderne populatiegenetica.

Een team onderzoekers uit Zuid-Korea heeft een nieuwe manier ontwikkeld om door deze digitale wildernis te navigeren, waarbij ze een berg genetische data hebben omgevormd tot een beheersbaar pad. Ze richtten zich op een dataset van het 1000 Genomes Project, die genetische informatie bevat van meer dan 3.000 individuen die 26 verschillende landen vertegenwoordigen. De ruwe data bevatte ongeveer 61 miljoen SNP's, een aantal dat zo groot is dat het proberen te analyseren van al deze gegevens tegelijkertijd met geavanceerde machine learning-tools onmogelijk zou zijn geweest op standaardcomputers. De onderzoekers realiseerden zich dat de meeste van deze genetische markers redundant of niet-informatief waren voor de specifieke taak van het identificeren van de geografische herkomst van een persoon. Om dit op te lossen, ontwierpen ze een tweestaps-proces om de data te filteren: eerst de overduidelijke ruis te verwijderen en vervolgens een slim algoritme te gebruiken om de meest waardevolle aanwijzingen te vinden.

De eerste stap van hun methode was een brede veeg, die fungeerde als een zeef om de meest actieve genetische markers op te vangen. Het team berekende hoeveel elke SNP varieerde tussen de verschillende mensen in de studie. Markers die zeer weinig verandering vertoonden, werden weggegooid omdat ze niet konden helpen bij het onderscheiden van populaties. Deze eenvoudige variatiegebaseerde filter reduceerde de dataset van 6 ही 61 miljoen markers naar ongeveer één miljoen markers. Hoewel dit een enorme reductie was, was het nog steeds te groot voor de meest geavanceerde analyse-instrumenten om snel te verwerken. Deze voorlopige stap was echter cruciaal, omdat het een onmogelijke taak transformeerde in een praktische taak, waardoor de onderzoekers naar de tweede fase konden gaan zonder dat ze supercomputers nodig hadden die een fortuin zouden kosten om te draaien.

In de tweede stap pasten de onderzoekers een krachtige machine learning-tool toe genaamd XGBoost op de resterende één miljoen markers. Deze tool is ontworpen om te leren welke kenmerken het belangrijkst zijn voor het doen van een voorspelling. Door de computer te trainen op de gereduceerde dataset, kon het systeem de SNP's rangschikken op basis van hoe goed ze hielpen bij het voorspellen van het land van herkomst van een persoon. Het team kwam tot de conclusie dat deze combinatie van een grove eerste filter gevolgd door een slimme tweede selectie veel beter werkte dan het proberen te gebruiken van de slimme tool op de volledige dataset of het gebruik van willekeurige selectie. Sterker nog, het direct toepassen van de slimme tool op de volledige 61 miljoen markers zou naar schatting 1.250 uur computertijd en een enorme hoeveelheid geheugen hebben vereist, terwijl hun tweestaps-methode de klus in ongeveer 50 uur volbracht. Dit vertegenwoordigt een vijfentwintigmaal verbeterde efficiëntie, waardoor hoogwaardige genetische analyse toegankelijk wordt op standaardhardware.

De resultaten van dit gestroomlijnde proces waren opmerkelijk. Met behulp van de zorgvuldig geselecteerde subsets van SNP's trainden de onderzoekers een classifier om de geografische herkomst van individuen te raden. Voor veel populaties behaalde het model een bijna perfecte nauwkeurigheid. Zo kon het systeem individuen uit Finland, Japan en verschillende Afrikaanse groepen correct identificeren met bijna geen fouten, zelfs wanneer er zeer kleine aantallen genetische markers werden gebruikt. Sommige populaties, zoals de Esan uit Nigeria, konden worden geïdentificeerd met slechts 128 SNP's, terwijl anderen, zoals de Puerto Ricaanse populatie, tot wel 8.192 markers nodig hadden om hetzelfde niveau van nauwkeurigheid te bereiken. Deze variatie suggereert dat verschillende groepen verschillende genetische structuren hebben, waarbij sommige meer verschillen van hun buren dan andere. De studie onthulde ook dat bepaalde groepen, zoals de Britten, moeilijker van elkaar te onderscheiden waren, waarschijnlijk door een gedeelde genetische geschiedenis en een hoge diversiteit binnen de populatie.

Ondanks deze successen waren de onderzoekers voorzichtig om de beperkingen van hun werk te benoemen. Ze erkenden dat hun methode primair een hulpmiddel is om de analyse mogelijk te maken, en geen perfecte oplossing voor elke genetische vraag. De nauwkeurigheid voor sommige landen bleef bescheiden, wat zij toeschreven aan kleine steekproeven en de complexe realiteit dat politieke grenzen niet altijd overeenkomen met genetische grenzen. Ze wezen er ook op dat hun studie niet volledig rekening hield met mensen met een gemengde afkomst, een groeiende demografie in de moderne wereld die eenvoudige geografische labels bemoeilijkt. Desalniettemin biedt de studie een duidelijk, praktisch blauwdruk voor hoe men de vloedgolf aan genomische data kan beheren. Door te bewijzen dat een tweestaps-filterstrategie de rekentijd drastisch kan verminderen terwijl de nauwkeurigheid behouden blijft, heeft het team een levensvatbaar pad geboden voor onderzoekers die enorme genetische datasets moeten analyseren zonder toegang te hebben tot de duurste computingresources.