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

Este artigo fornece uma explicação teórica e prova que o método ΔK, amplamente utilizado para selecionar o número de populações ancestrais (K) em análises de estrutura populacional com ferramentas como ADMIXTURE e STRUCTURE, pode ser inconsistente e falhar em identificar o K verdadeiro mesmo com dados infinitos, frequentemente favorecendo erroneamente K=2.

O essencial

Imagine que você é um detetive tentando descobrir a história de uma cidade antiga, mas em vez de documentos, você tem apenas o DNA de milhares de pessoas. O seu objetivo é descobrir: "Quantas tribos originais formaram essa cidade?"

Para isso, cientistas usam um software famoso chamado ADMIXTURE (e seu irmão mais velho, o STRUCTURE). Eles tentam agrupar as pessoas em "tribos" (chamadas de populações ancestrais) baseando-se em como seus genes se parecem.

O grande problema é: quantas tribos existem? O software não sabe o número mágico. Você precisa dizer ao computador: "Tente achar 2 tribos", "Tente achar 3", "Tente achar 4"... e o computador te dá um resultado para cada tentativa.

O "Detetive" que se Engana (O Problema do K=2)

Para decidir qual número de tribos é o correto, os cientistas usam uma regra matemática chamada $\Delta K$ (Delta K). Pense nela como um "detetive secundário" que olha para os resultados do computador e diz: "Olha, quando passamos de 2 para 3 tribos, a história ficou muito mais complexa. Mas de 3 para 4, a mudança foi pequena. Então, a resposta certa deve ser 3!"

O problema é que, na prática, esse "detetive secundário" está quase sempre errado. Ele tende a escolher apenas 2 tribos (K=2), mesmo quando existem 3, 4 ou 5 tribos reais. Isso é chamado de "subestimar" (underfitting).

Por que isso é ruim? Imagine que você está estudando a conservação de uma espécie de pássaro. Se o software diz que só existem 2 grupos, mas na verdade existem 3 grupos muito diferentes, você pode acabar protegendo o grupo errado ou ignorando um grupo que precisa de ajuda.

A Descoberta dos Autores: Por que o Detetive Falha?

Neste novo artigo, dois pesquisadores (Dat Do e Jonathan Terhorst) provaram matematicamente por que esse detetive falha. Eles mostraram que, em certas situações, o método $\Delta K$ é "inconsistente". Isso significa que, mesmo que você tenha infinitos dados (milhões de pessoas e genes), o método continuará escolhendo 2 tribos, ignorando a realidade.

Eles usaram uma analogia matemática para explicar:

1. A Cena do Crime: Imagine três tribos: A, B e C.
2. A Distância: As tribos B e C são "primas" (muito parecidas entre si), enquanto a tribo A é um "tio distante" (muito diferente de ambas).
3. O Erro do Detetive: O método $\Delta K$ olha para a diferença entre as tribos. Ele percebe que juntar B e C em um único grupo "custa" muito pouco em termos de informação (porque elas são tão parecidas). Mas separar A do grupo (B+C) custa muito.
4. A Conclusão Errada: O método decide: "Ah, é mais fácil e 'seguro' dizer que só existem dois grupos: o grupo 'Tio Distante' (A) e o grupo 'Primas' (B+C)." Ele ignora que B e C são, na verdade, duas tribos distintas, apenas muito próximas.

A Regra de Ouro (O Limite da FST)

Os autores descobriram uma regra específica para quando isso acontece. Eles usaram um conceito da genética chamado FST (que mede o quanto as populações são diferentes).

Eles provaram que, se as diferenças genéticas entre as tribos forem muito pequenas (como acontece em populações humanas modernas que se separaram recentemente), e se a distância entre as duas tribos "irmãs" for menor do que um terço da distância total entre todas as três, o método vai falhar e escolher 2.

É como tentar separar três cores de tinta: se você tem um azul muito escuro, um azul médio e um azul claro. Se o azul médio e o claro forem quase idênticos, seu olho (ou o algoritmo) pode achar que só existem duas cores: "Azul Escuro" e "Azul Claro/Médio".

O Que Isso Significa para Você?

1. Não confie cegamente no "número 2": Se você usar o ADMIXTURE e o método sugerir que só existem 2 grupos, não aceite isso como verdade absoluta. Pode haver mais grupos escondidos.
2. Olhe para o contexto: O artigo sugere que os cientistas não devem depender de apenas um número mágico. Eles devem olhar para vários valores de K (2, 3, 4...) e usar o bom senso biológico e histórico para interpretar os resultados.
3. A Ciência está Evoluindo: Este artigo é importante porque, pela primeira vez, eles deram uma explicação matemática sólida para um problema que os cientistas observavam há anos, mas não conseguiam explicar.

Em resumo: O método $\Delta K$ é como um mapa que, em terrenos muito planos e parecidos, decide que só existem duas montanhas, ignorando que há três. Os autores mostraram exatamente quando e por que esse mapa falha, para que possamos corrigi-lo e ver a paisagem real.

Resumo técnico

Resumo Técnico: A Inconsistência da Seleção de Modelo em ADMIXTURE e o Fenômeno K = 2

1. O Problema

A detecção de estrutura populacional em dados genéticos é frequentemente realizada utilizando métodos baseados em modelos, como STRUCTURE e ADMIXTURE. Esses métodos assumem que os genótipos observados são misturas de $K$ populações ancestrais latentes. Um desafio central é determinar o número correto de populações ($K$).

O método mais amplamente utilizado para selecionar $K$ é o critério $\Delta K$ de Evanno, que identifica um "cotovelo" (mudança de segunda ordem) na soma dos log-verossimilhanças à medida que $K$ aumenta. No entanto, a prática empírica e estudos recentes indicam que o $\Delta K$ tende sistematicamente a subestimar $K$, frequentemente retornando $K=2$ mesmo quando subestruturas populacionais mais complexas e significativas existem. Este viés tem implicações sérias para a conservação e gestão de espécies. Até o momento, faltava uma explicação matemática rigorosa para por que esse método falha, mesmo com quantidades infinitas de dados.

2. Metodologia

Os autores focam na estimativa de máxima verossimilhança (MLE) subjacente ao método ADMIXTURE. A abordagem teórica envolve:

• Modelo de Dados: Assumem uma matriz de genótipos gerada pela mistura de $K_0$ populações verdadeiras (no caso estudado, $K_0 = 3$). Cada indivíduo pertence puramente a uma população (vértices do simplex), maximizando o sinal de estrutura.
• Critério de Seleção: Eles analisam a versão não normalizada do critério de segunda ordem de Evanno:
  $$\hat{\Delta}(K) = |2\hat{L}(K) - \hat{L}(K-1) - \hat{L}(K+1)|$$
  onde $\hat{L}(K)$ é a log-verossimilhança média máxima para um dado $K$. O valor selecionado é $\hat{K} = \arg\max \hat{\Delta}(K)$.
• Assunções:
  1. As frequências alélicas estão limitadas longe de 0 e 1 (para evitar divergência na verossimilhança).
  2. Os dados são gerados sob um modelo hierárquico realista (modelo aninhado de Balding-Nichols), que incorpora deriva genética através de parâmetros de fluxo ($F_{root}$, $F_{sub}$, $F_{out}$).
• Análise Assintótica: Os teoremas são provados no limite assintótico onde o número de indivíduos ($N$) e o número de SNPs ($L$) tendem ao infinito.

3. Contribuições Principais

O artigo fornece a primeira explicação teórica rigorosa para o fenômeno de subestimação de $K$ (especificamente a preferência por $K=2$). As contribuições centrais são:

1. Prova de Inconsistência: Demonstram matematicamente que o método $\Delta K$ é inconsistente em certos regimes. Isso significa que, mesmo com dados infinitos, o método pode falhar em identificar o número verdadeiro de populações.
2. Condição de Divergência: Estabelecem uma condição suficiente baseada na divergência de Kullback-Leibler (KL) entre as frequências alélicas das populações. O método falha se a perda de informação ao fundir duas populações (ex: Populações 2 e 3) for pequena em relação à heterogeneidade total das três populações.
3. Conexão com Parâmetros Genéticos ($F_{ST}$): Traduzem a condição abstrata de divergência KL para parâmetros familiares em genética de populações, especificamente os parâmetros de deriva ($F$) no modelo Balding-Nichols.

4. Resultados Chave

• Teorema 1 (Condição Geral):
  Seja $D_{31}$ a heterogeneidade total de três populações e $D_{32}$ a divergência média entre as duas populações mais próximas (2 e 3). O método seleciona incorretamente $\hat{K}=2$ com probabilidade tendendo a 1 se:
  $$D_{32} < \frac{1}{3} D_{31}$$
  Isso ocorre quando a fusão das duas populações mais próximas é "barata" em termos de perda de verossimilhança comparada à estrutura global.

• Teorema 2 (Aplicação ao Modelo Balding-Nichols):
  Ao aplicar o modelo hierárquico realista, os autores derivam uma condição baseada nos parâmetros de deriva. Se as populações são geradas com deriva suficiente pequena e a razão entre a deriva do nó raiz para o nó interno ($F_{root}$) e a deriva entre as subpopulações ($F_{sub}$) satisfaz:
  $$\frac{F_{root}}{F_{sub}} > \frac{3}{4}$$
  Então, o método $\Delta K$ selecionará $\hat{K}=2$ assintoticamente, mesmo que existam 3 populações distintas.

• Simulações Numéricas:
  Simulações com $N=150$ indivíduos e $L=2000$ SNPs confirmaram a fronteira teórica. Os resultados mostram uma transição clara: quando $F_{root}$ é pequeno (topologia de estrela), o método pode encontrar $K=3$. À medida que $F_{root}$ aumenta (tornando a estrutura mais hierárquica e as populações 2 e 3 mais próximas entre si do que da população 1), o método falha e funde as populações 2 e 3, retornando $K=2$.

5. Significado e Implicações

• Explicação Teórica: O trabalho preenche uma lacuna crítica ao provar que a falha do $\Delta K$ não é apenas um artefato de amostragem finita ou ruído, mas uma propriedade intrínseca do método sob condições biológicas plausíveis (populações relacionadas com baixa divergência $F_{ST}$).
• Alerta para Praticantes: O estudo alerta que confiar exclusivamente no $\Delta K$ pode levar a conclusões errôneas sobre a história demográfica e a estrutura populacional, especialmente em espécies com estrutura genética sutil ou recente.
• Recomendações: Os autores sugerem que o $\Delta K$ deve ser interpretado em conjunto com outros critérios de seleção e contexto biológico. É crucial relatar os resultados para uma faixa de valores de $K$ em vez de depender de um único valor selecionado automaticamente.
• Generalidade: Embora o foco tenha sido na estimativa de máxima verossimilhança, os autores conjecturam que outros métodos de seleção de modelo que comparam log-verossimilhanças podem sofrer do mesmo viés de subestimação quando as populações estão intimamente relacionadas.

Em resumo, o artigo demonstra que o fenômeno "K=2" é uma consequência matemática previsível da interação entre a estrutura hierárquica das populações e a métrica de seleção de modelo utilizada, fornecendo uma base sólida para reavaliar a prática padrão em análises de estrutura populacional.