An interpretable machine learning framework for dog breed inference and ancestry decomposition

Resumo Técnico: Um Framework de Aprendizado de Máquina Interpretável para Inferência de Raças Caninas e Decomposição de Ancestralidade

Definição do Problema
Apesar da existência de mais de 300 raças de cães domésticos reconhecidas, que representam o resultado de séculos de seleção artificial e gargalos populacionais, inferir a identidade de uma raça específica a partir de dados genômicos permanece um desafio significativo. As dificuldades atuais decorrem da alta dimensionalidade dos dados de genótipo, da amostragem desigual entre diferentes raças e da prevalência de mistura em indivíduos de raça mista. Embora os rótulos de raça sejam padrão em pesquisas genéticas e veterinárias, os métodos existentes têm dificuldade em classificar esses perfis genéticos complexos, particularmente ao distinguir entre cães de raça pura e cães de raça mista com diferentes graus de ancestralidade.

Metodologia
Para enfrentar esses desafios, os autores propõem um framework de aprendizado de máquina interpretável projetado para inferir rótulos de raça a partir de dados de SNPs de genoma completo. A abordagem integra dois componentes primários:

1. Redução de Dimensionalidade: Esta etapa reduz a complexidade dos dados de genótipo de alta dimensão para um espaço de características mais gerenciável.
2. Modelo de Floresta Aleatória de Múltiplas Saídas (Multi-Output Random Forest): O núcleo do framework é um modelo de floresta aleatória que mapeia a variação genética para uma representação contínua de pertencimento à raça. Diferente dos classificadores binários tradicionais, este modelo permite tanto a classificação de cães de raça pura quanto a inferência de proporções de ancestralidade de raças mistas.

O framework foi validado utilizando o conjunto de dados do Dog Aging Project (DAP), composto por 6.572 cães (tanto de raça pura quanto de raça mista) em 100 classes de raças distintas. O estudo também introduziu uma métrica específica para escores de importância de SNPs, que vincula as previsões do modelo de volta a variantes genéticas individuais para garantir a interpretabilidade.

Principais Resultados

• Desempenho Preditivo: O framework proposto alcançou uma acurácia de 91,7% baseada em uma métrica de sobreposição. Este desempenho superou um método de referência utilizando ADMIXTURE, que alcançou 87,8% de acurácia no mesmo conjunto de dados.
• Eficiência de Características: O estudo demonstrou que o poder preditivo do modelo é altamente eficiente; apenas 150 SNPs informativos foram suficientes para atingir um desempenho próximo ao máximo. Esta descoberta ressalta a natureza altamente estruturada da variação genética canina.
• Interpretabilidade Biológica: A análise das variantes de classificação superior identificadas pelo escore de importância de SNP revelou loci previamente associados a traços morfológicos, de pigmentação e comportamentais. Além disso, o modelo destacou loci candidatos carecendo de anotação fenotípica prévia, sugerindo a capacidade do framework em identificar novas associações genéticas.

Significância e Alegações
O artigo afirma que este framework oferece uma solução robusta, flexível e interpretável para prever a ancestralidade de raças. Ao mapear com sucesso dados genéticos para o pertencimento contínuo à raça, o método aborda as limitações das ferramentas atuais no tratamento de indivíduos de raça mista. Os autores afirmam que o framework possui aplicações diretas em:

• Genômica Veterinária: Melhorando a precisão da identificação de raças para estudos clínicos e relacionados à saúde.
• Genética de Populações Caninas: Fornecendo uma compreensão mais clara da estrutura de raça e da mistura (admixture).
• Descoberta Fenotípica: Auxiliando na identificação de loci subjacentes aos fenótipos característicos das raças através da interpretação dos escores de importância de SNP derivados do modelo.

O trabalho enfatiza que o framework não apenas melhora a acurácia da classificação, mas também estabelece uma ponte entre as previsões de aprendizado de máquina e a relevância biológica, permitindo que pesquisadores rastreiem as decisões do modelo de volta a variantes genéticas específicas.