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

Resumo Técnico: O que Limita a Inferência de Ancestralidade Local em Baixa Divergência

Definição do Problema
A inferência de ancestralidade local (LAI) atribui posições genômicas em indivíduos miscigenados a populações de origem, um pré-requisito para o mapeamento de miscigenação e testes de associação específicos de ancestralidade. Embora os métodos rotineiros de LAI funcionem bem em fontes altamente divergentes (ex: africana/europeia/nativa americana, $F_{ST} \approx 0,1$), sua eficácia em populações estreitamente relacionadas (ex: Han chinês do norte vs. sul, $F_{ST} \approx 0,0004$) permanece não testada. Os benchmarks atuais dependem fortemente de simulações coalescentes e métricas de precisão por sítio, que podem não refletir a estrutura de nível de trato exigida para análises subsequentes, como a datação de miscigenação. Este estudo investiga os limites de viabilidade da LAI em baixa divergência, a validade dos benchmarks baseados em simulação e as contribuições relativas da representação de entrada versus a arquitetura do modelo.

Metodologia
O autor avaliou cinco métodos através de um gradiente contínuo de divergência de origem ($F_{ST}$ de 0,0022 a 0,243) usando duas trilhas de dados distintas:

1. Simulações Coalescentes: Eventos de miscigenação de duas vias foram simulados com rótulos de verdade fundamental exatos gerados pela mosaico de haplótipos doadores.
2. Haplótipos Reais: A mesma construção de mosaico foi aplicada a haplótipos faseados do 1000 Genomes em 11 pares de populações (abrangendo grupos do Leste Asiático, Europeu e Sul Asiático).

Métodos Comparados:

• Baselines: Um classificador de janela de verossimilhança e um classificador de verossimilhança suavizado por um Modelo Oculto de Markov (HMM).
• Ferramentas Lançadas: RFMix v2 e FLARE.
• Rede Neural: Uma rede neural convolucional (CNN) dilatada treinada para segmentação por sítio. A rede foi testada em duas configurações:
  • Apenas frequência: A entrada consiste em frequências alélicas e razões de log-verossimilhança.
  • Consciente de haplótipo: A mesma arquitetura aumentada com quatro canais que resumem o pareamento de haplótipos locais contra painéis de referência.

Principais Contribuições e Descobertas

1. Existe um Piso de Viabilidade
Existe um limite rígido para o desempenho da LAI determinado pelo conteúdo de informação dos dados, e não pela sofisticação algorítmica.

• Em $F_{ST} = 0,0022$, nenhum método excede 0,575 de precisão.
• Para o par CHB/CHS ($F_{ST} = 0,00042$), a melhor precisão é 0,551.
• Abaixo desses limiares, as diferenças entre os métodos são menores que a variabilidade de execução para execução, indicando que os dados contêm sinal insuficiente para distinguir as fontes. Isso implica que as inferências publicadas de tratos de ancestralidade fina dentro de tais populações (ex: dentro de Han chineses ou dentro da Europa) carecem de suporte sob as condições atuais.

2. A Precisão por Sítio é uma Métrica Enganosa
A métrica padrão, precisão por sítio, falha em capturar a integridade estrutural do mosaico inferido.

• A CNN dilatada alcançou alta precisão por sítio em simulações, mas produziu 78,8 vezes mais tratos de ancestralidade do que a verdade, implicando um tempo de miscigenação 61,2 vezes mais antigo do que a realidade.
• Em contraste, o RFMix e o FLARE produziram contagens de tratos próximas à verdade.
• Aplicar um decodificador Viterbi (usando um prior de transição fixo baseado em recombinação) aos logits da CNN corrigiu a estrutura do trato (reduzindo o erro para 1,56×) com um custo negligenciável para a precisão por sítio (+0,0002). Isso demonstra que a métrica é cega para defeitos que tornam as saídas inutilizáveis para a datação de miscigenação.

3. A Simulação Não Prediz o Desempenho no Mundo Real
A vantagem de um método aprendido em simulação não se transfere para dados reais.

• Em simulações, a CNN dilatada superou a melhor ferramenta lançada em até 0,048 em baixa divergência.
• Em haplótipos reais do 1000 Genomes, a CNN foi superada pelas ferramentas lançadas em 10 de 11 pares, com um déficit médio de -0,032.
• Essa discrepância não se deve ao fato de o simulador gerar dados "mais limpos"; os painéis simulados na verdade carregavam um sinal de haplótipo explorável maior do que os painéis reais em divergência correspondente. A falha ocorre porque a rede baseada apenas em frequência depende de informações que são insuficientes nos cromossomos reais, enquanto as ferramentas lançadas utilizam informações completas de haplótipos.

4. A Representação de Entrada é o Principal Gargalo
A lacuna de desempenho é impulsionada pela representação de entrada, e não por escolhas arquitetônicas.

• Intervenções Arquitetônicas: Variações em mecanismos de atenção, camadas de espaço de estados, capacidade e pré-treinamento moveram a precisão em no máximo 0,006.
• Intervenções de Entrada: Fornecer à CNN canais de pareamento de haplótipos (correspondendo à entrada do RFMix/FLARE) recuperou +0,031 de precisão em 8 de 8 pares abaixo de $F_{ST} = 0,04$.
• No entanto, mesmo com essa paridade de entrada, a rede permaneceu atrás das ferramentas lançadas em 10 de 11 pares, sugerindo que, embora a entrada seja necessária, ela não é suficiente para fechar a lacuna inteiramente. A rede só excedeu as ferramentas lançadas no par CEU/TSI ($F_{ST} = 0,0027$), o par menos divergente onde qualquer método foi informativo.

5. O Tamanho do Painel de Referência e as Estatísticas Importam Mais que a Arquitetura
Dois fatores convencionalmente mantidos fixos em comparações foram encontrados como mais influentes do que o design arquitetônico:

• Estatística de Resumo: Métodos neurais tipicamente usam taxas de concordância (distância de Hamming), enquanto modelos de cópia (RFMix/FLARE) usam comprimentos de concordância contígua (estatísticas suficientes para o modelo de Li–Stephens). A contiguidade é mais discriminativa, mas só fornece benefício quando o painel de referência é pequeno; ela atua como um substituto para o tamanho do painel, em vez de um sinal independente.
• Tamanho do Painel: Nenhum método se aproximou da saturação. Aumentar o painel de referência de 80 para 100 haplótipos melhorou a precisão para todos os métodos (incluindo a CNN, RFMix e FLARE) sem alterar sua ordenação relativa.

6. Sensibilidade a Erros de Fase
Erros de troca de fase fragmentam os haplótipos sem alterar as frequências alélicas.

• Métodos que dependem de integração de longo alcance (como a CNN baseada apenas em frequência) são mais sensíveis a esses erros, sofrendo maior perda de precisão do que métodos que não integram contexto (verossimilhança por janela) ou aqueles que explicitamente modelam haplótipos (RFMix/FLARE).
• Adicionar canais de pareamento de haplótipos reduziu essa sensibilidade, tornando a configuração consciente de haplótipo mais robusta a erros de fase do que a versão baseada apenas em frequência.

Significância e Alegações
O artigo argumenta que as limitações da LAI em baixa divergência são principalmente impulsionadas pelos dados (sinal insuficiente no genoma) e pela representação (informação de entrada incompatível), e não por uma falha nas arquiteturas de inferência aprendidas. Ele destaca três armadilções específicas nas práticas atuais de avaliação:

1. Confiar na precisão por sítio, que mascara falhas estruturais críticas para análises subsequentes.
2. Validar exclusivamente em simulações, o que pode inflar artificialmente o desempenho de métodos aprendidos em comparação com ferramentas lançadas.
3. Comparar métodos com representações de entrada desiguais (ex: frequência-apenas vs. consciente de haplótipo).

O autor conclui que, para populações estreitamente relacionadas, o "piso" de desempenho é determinado pelo conteúdo de informação dos dados. Embora o fornecimento de informação de haplótipo melhore o desempenho, isso não garante paridade com as ferramentas estabelecidas, e as alegações de inferência de ancestralidade de escala fina neste regime requerem suporte independente além da própria inferência. O estudo sugere que futuros benchmarks devem reportar estatísticas de nível de trato, validar em haplótipos reais e garantir a paridade de entrada entre os métodos comparados.