Computing coalescence rates for complex demographies and sampling configurations

Este artigo apresenta o *demestats*, uma biblioteca de software que calcula taxas de coalescência para configurações de amostragem complexas e modelos demográficos estruturados, permitindo inferir com maior precisão a história populacional recente e a expansão humana do que os métodos baseados em pares.

O essencial

Imagine que o nosso DNA é como uma árvore genealógica gigante e complexa, mas com um detalhe especial: cada galho dessa árvore carrega uma "data de nascimento" que nos diz quando dois ancestrais se encontraram no passado.

Os cientistas usam essas árvores para tentar entender a história das populações humanas: quando elas cresceram, quando se dividiram ou quando se misturaram. O problema é que, até agora, a maioria dos métodos olhava apenas para casais de ancestrais (duas pessoas) para tentar adivinhar essa história. É como tentar entender a história de uma cidade inteira olhando apenas para o casamento de um único casal: você perde muita informação sobre o passado recente.

Aqui está o que os autores, Jiatong Liang e Jonathan Terhorst, criaram para resolver isso:

1. O Problema: Olhar apenas para casais é limitado

Pense em tentar ouvir uma conversa em uma sala barulhenta. Se você só ouvir duas pessoas falando (um par), é difícil entender o que está acontecendo no resto da sala, especialmente se a conversa foi recente.

• O que os métodos antigos faziam: Eles olhavam para pares de genes (duas pessoas) e tentavam deduzir o tamanho da população. Funciona bem para coisas muito antigas, mas é cego para mudanças recentes.
• A limitação: Eventos recentes (como uma explosão populacional nos últimos 200 anos) são raros em pares. É como tentar ver uma estrela cadente olhando apenas por uma fresta de janela muito pequena.

2. A Solução: O "demestats" (O Grande Olho)

Os autores criaram um novo software chamado demestats. Em vez de olhar apenas para casais, esse software permite olhar para grupos grandes de pessoas ao mesmo tempo (como 50 ou 100 pessoas).

A Analogia da Festa:
Imagine que você quer saber quando a festa começou e quantas pessoas vieram.

• Método Antigo (Par): Você pergunta a duas pessoas: "Quando vocês se conheceram?". Se elas se conheceram há 100 anos, você sabe que a festa é antiga. Mas se a festa explodiu de gente ontem à noite, é improvável que essas duas pessoas específicas se tenham conhecido ontem.
• Novo Método (demestats): Você pergunta a um grupo de 50 pessoas: "Quem foi o primeiro a chegar e se encontrar com alguém?". Com 50 pessoas, a chance de alguém ter chegado e se encontrado com outro ontem é enorme. O software calcula a probabilidade de "encontros" em grandes grupos para detectar mudanças recentes com muito mais precisão.

3. Como funciona a "Mágica" (Matemática Simplificada)

O software usa uma técnica inteligente chamada aproximação de campo médio.

• O Desafio: Calcular exatamente o que acontece com 50 pessoas em uma árvore genealógica é como tentar prever o tempo para cada gota de chuva em uma tempestade: impossível de fazer manualmente.
• O Truque: O software não tenta seguir cada gota individualmente. Em vez disso, ele calcula a "média" do comportamento do grupo. É como prever o trânsito em uma cidade: você não sabe onde cada carro estará, mas sabe que, em média, o tráfego fica mais lento na hora do rush. Isso torna o cálculo rápido e possível, mesmo para grupos grandes.

4. O Que Eles Descobriram?

Ao aplicar essa ferramenta aos dados do Projeto 1000 Genomas (que mapeia o DNA de pessoas de todo o mundo), eles descobriram coisas novas sobre a expansão recente da humanidade:

• Crescimento Explosivo: Confirmaram que as populações humanas cresceram muito rápido nos últimos 7.500 a 10.000 anos (com o advento da agricultura).
• Tamanhos Atuais: Estimaram que o tamanho efetivo da população humana hoje é de vários milhões, com taxas de crescimento de cerca de 1% por geração.
• Resistência a Erros: O método é tão bom que, mesmo se a gente não souber exatamente o que aconteceu na "pré-história" (o passado distante), ainda conseguimos entender muito bem o que aconteceu recentemente. É como conseguir ver o rosto de alguém claramente, mesmo que o fundo da foto esteja desfocado.

Resumo em uma frase

O demestats é como trocar uma lupa de um único casal por uma câmera de alta resolução que fotografa uma multidão inteira, permitindo que os cientistas vejam com clareza os eventos recentes da história humana que antes estavam escondidos na neblina do tempo.

Por que isso importa?
Isso nos ajuda a entender melhor nossa própria história, como as populações se espalharam, como se misturaram e como cresceram, dando-nos uma visão muito mais nítida do nosso passado recente do que tínhamos antes.

Resumo técnico

1. Problema e Motivação

A inferência da história populacional a partir de dados genéticos depende fundamentalmente da distribuição dos tempos de coalescência. Tradicionalmente, métodos baseados em coalescência tratam os tempos de coalescência como variáveis latentes, integrando-as fora do modelo ou utilizando estatísticas resumo (como o Espectro de Frequência de Sítios - SFS).

Com o avanço na inferência de Grafos de Recombinação Ancestral (ARG) e de sequências de árvores, tornou-se possível analisar genealogias reconstruídas diretamente. No entanto, existem limitações significativas nos métodos atuais:

• Limitação de Poder para História Recente: As taxas de coalescência pareadas (amostras de tamanho $k=2$) têm poder limitado para resolver eventos demográficos recentes, pois coalescências recentes em amostras pequenas são raras.
• Complexidade Computacional: O cálculo exato das taxas de coalescência instantâneas (ICR) para amostras maiores ($k > 2$) e configurações de amostragem arbitrárias é computacionalmente proibitivo devido ao crescimento exponencial do espaço de estados necessário para rastrear as configurações de linhagens não resolvidas.
• Dependência de Modelos Específicos: A maioria dos métodos exige a derivação de novas equações para cada novo modelo demográfico, dificultando a aplicação generalizada.

2. Metodologia: A Biblioteca demestats

Os autores introduzem o demestats, uma biblioteca em Python projetada para calcular funções de taxa de primeira coalescência e de coalescência cruzada para modelos demográficos estruturados especificados no formato demes.

A abordagem técnica baseia-se nos seguintes pilares:

• Reutilização de Formalismo de Árvore de Eventos: O método adapta a maquinaria de "árvore de eventos" (event-tree) desenvolvida para o cálculo do SFS esperado (família de métodos momi). Em vez de rastrear comprimentos de ramos para o SFS, o estado propagado na árvore de eventos agora representa a distribuição condicional das localizações ancestrais dadas as observações de coalescência.
• Cálculo Exato vs. Aproximação de Campo Médio:
  • Cálculo Exato: Para amostras menores ou quando o espaço de estados é gerenciável, o algoritmo calcula a distribuição exata usando tensores de probabilidade. O estado é representado por uma distribuição condicional sobre as localizações das linhagens, atualizada por operadores de eventos (Split, Merge, Pulse, Admix) e propagação contínua no tempo (migração e coalescência).
  • Aproximação de Campo Médio (Mean-Field): Para amostras grandes onde o cálculo exato é inviável, o método utiliza aproximações baseadas em momentos. Em vez de rastrear a distribuição completa, o algoritmo rastreia os primeiros e segundos momentos (esperança e variância) do número de linhagens em cada subpopulação. Isso permite escalar para grandes tamanhos de amostra ($k$) mantendo a complexidade computacional tratável.
• Diferenciabilidade Automática: A implementação é totalmente diferenciável em relação aos parâmetros do modelo demográfico. Isso permite o uso direto em inferência baseada em verossimilhança (likelihood) e análise de sensibilidade.
• Taxas de Coalescência Cruzada (CCR): O método generaliza o cálculo para eventos de coalescência entre linhagens de populações diferentes (ex: vermelho vs. azul), essenciais para estudar separação populacional e migração recente.

3. Contribuições Principais

1. Generalização para $k > 2$: Capacidade de calcular taxas de coalescência para configurações de amostragem arbitrárias e tamanhos de amostra grandes, superando a limitação de métodos focados apenas em pares ($k=2$).
2. Análise de Identificabilidade Local: Uso da informação de Fisher (calculada via derivadas automáticas) para determinar quais parâmetros demográficos são identificáveis a partir de um desenho de amostragem específico. Isso permite visualizar quais épocas da história populacional são "invisíveis" para certos tamanhos de amostra.
3. Inferência de Migração Recente: Demonstração teórica e empírica de que o uso de grandes amostras ($k$ elevado) aumenta quadraticamente o poder estatístico para detectar taxas de migração muito recentes, superando a limitação de métodos baseados em pares.
4. Robustez a Especificação de Modelo: Evidência de que, para inferir história recente, grandes amostras tornam a inferência menos sensível a erros na especificação de eventos demográficos antigos (um "bênção da especificação incorreta").

4. Resultados Chave

• Identificabilidade e Tamanho da Amostra: Simulações em modelos do stdpopsim (como Zigzag_1S14) mostram que, enquanto $k=2$ é sensível apenas a eventos antigos, aumentar $k$ (ex: $k=20$) desloca a informação para eventos recentes, tornando oscilações populacionais recentes identificáveis que eram invisíveis para pares.
• Precisão da Aproximação de Campo Médio: A aproximação de campo médio é altamente precisa em cenários de migração simétrica e amostragem balanceada. No entanto, a precisão diminui quando muitas linhagens são amostradas de uma única subpopulação pequena (alta coalescência intra-populacional), onde correlações não capturadas pelos momentos tornam-se importantes.
• Detecção de Migração: Em modelos de isolamento com migração (IwM), a probabilidade de observar uma coalescência cruzada antes da separação populacional aumenta drasticamente com o tamanho da amostra ($n^2$). Isso reduz o número de árvores genealógicas necessárias para detectar migração recente de centenas de milhares para apenas algumas dezenas.
• Inferência em Dados Reais (1000 Genomes): Aplicando o método a sequências de árvores do Projeto 1000 Genomes:
  • Estimativas de tamanho populacional efetivo atual e taxas de crescimento recente para cinco superpopulações foram obtidas.
  • As taxas de crescimento estimadas variam de 0,9% a 1,1% por geração, com início do crescimento há 300-400 gerações.
  • Limitação Observada: Ao usar ARGs inferidos (via tsinfer + tsdate), houve um viés sistemático onde as distribuições de tempos de primeira coalescência de ordem superior ($T_{50}$) foram deslocadas para o presente, levando a uma subestimação do tamanho populacional recente, embora a tendência geral de crescimento tenha sido capturada.

5. Significado e Conclusão

O trabalho de Liang e Terhorst representa um avanço significativo na genética de populações ao fornecer uma ferramenta computacional unificada para explorar a história demográfica através de estatísticas de coalescência de ordem superior.

• Resolução Temporal: O método resolve a "cegueira" dos métodos tradicionais para eventos recentes, permitindo uma caracterização mais precisa de expansões populacionais e migrações recentes.
• Eficiência e Flexibilidade: Ao combinar cálculos exatos com aproximações escaláveis e suporte a diferenciabilidade automática, o demestats facilita a inferência de verossimilhança em modelos complexos.
• Implicações Práticas: Os resultados sugerem que, para focar na história recente, pesquisadores podem utilizar grandes amostras e simplificar a modelagem de eventos antigos, desde que estejam cientes das limitações impostas pela qualidade da reconstrução de árvores genealógicas (ARGs).

Em suma, o demestats preenche uma lacuna crítica entre a teoria da coalescência estruturada e a análise prática de grandes conjuntos de dados genômicos, oferecendo novas perspectivas sobre a dinâmica populacional humana recente.