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

O genoma humano é uma vasta biblioteca de instruções biológicas, escritas em um código composto por quatro letras químicas. Dentro desse código, pequenas variações chamadas polimorfismos de nucleotídeo único, ou SNPs, atuam como marcadores únicos que distinguem uma pessoa de outra. Esses marcadores estão espalhados por todo o genoma e, quando os cientistas os coletam de milhares de pessoas, criam conjuntos de dados tão massivos que contêm dezenas de milhões desses pontos genéticos. O desafio para os pesquisadores não é apenas armazenar essa informação, mas dar sentido a ela. Quando o número de marcadores genéticos supera vastamente o número de pessoas sendo estudadas, programas de computador padrão lutam para encontrar o sinal no ruído. Eles frequentemente ficam sobrecarregados, levando a erros ou exigindo um poder de computação que simplesmente não existe. Isso cria um gargalo para entender como as diferenças genéticas se relacionam com a origem ancestral de uma pessoa, uma questão que está no cerne da genética de populações moderna.

Uma equipe de pesquisadores da Coreia do Sul desenvolveu uma nova maneira de navegar neste deserto digital, transformando uma montanha de dados genéticos em um caminho gerenciável. Eles focaram em um conjunto de dados do Projeto 1000 Genomas, que detém informações genéticas de mais de 3.000 indivíduos representando 26 países diferentes. Os dados brutos continham aproximadamente 61 milhões de SNPs, um número tão grande que tentar analisá-lo todo de uma vez com ferramentas avançadas de aprendizado de máquina teria sido impossível em computadores padrão. Os pesquisadores perceberam que a maioria desses marcadores genéticos era redundante ou pouco informativa para a tarefa específica de identificar a origem geográfica de uma pessoa. Para resolver isso, eles projetaram um processo de duas etapas para filtrar os dados, primeiro removendo o ruído óbvio e depois usando um algoritmo inteligente para encontrar as pistas mais valiosas.

A primeira etapa de seu método foi uma varredura ampla, agindo como um peneira para capturar os marcadores genéticos mais ativos. A equipe calculou o quanto cada SNP variava entre as diferentes pessoas do estudo. Marcadores que mostravam pouca variação foram descartados porque não poderiam ajudar a distinguir entre populações. Esse filtro simples baseado em variância reduziu o conjunto de dados de 61 milhões de marcadores para cerca de um milhão. Embora esta tenha sido uma redução massiva, ainda era grande demais para que as ferramentas de análise mais sofisticadas pudessem lidar rapidamente. No entanto, esta etapa preliminar foi crucial porque transformou uma tarefa impossível em uma tarefa prática, permitindo que os pesquisadores passassem para a segunda fase sem precisar de supercomputadores que custariam uma fortuna para operar.

Na segunda etapa, os pesquisadores aplicaram uma poderosa ferramenta de aprendizado de máquina chamada XGBoost aos um milhão de marcadores restantes. Esta ferramenta é projetada para aprender quais características são mais importantes para fazer uma previsão. Ao treinar o computador no conjunto de dados reduzido, o sistema podia classificar os SNPs com base em quão bem eles ajudavam a prever o país de origem de uma pessoa. A equipe descobriu que essa combinação de um primeiro filtro bruto seguido de uma segunda seleção inteligente funcionava muito melhor do que tentar usar a ferramenta inteligente no conjunto completo de 61 milhões de marcadores ou usar uma seleção aleatória. De fato, aplicar a ferramenta inteligente diretamente aos 61 milhões de marcadores teria exigido um tempo estimado de 1.250 horas de computador e uma quantidade massiva de memória, enquanto o método de duas etapas deles completou o trabalho em cerca de 50 horas. Isso representa uma melhoria de vinte e cinco vezes na eficiência, tornando a análise genética de alto nível acessível em hardware padrão.

Os resultados deste processo simplificado foram impressionantes. Usando os subconjuntos cuidadosamente selecionados de SNPs, os pesquisadores treinaram um classificador para adivinhar a origem geográfica dos indivíduos. Para muitas populações, o modelo alcançou uma precisão quase perfeita. Por exemplo, o sistema podia identificar corretamente indivíduos da Finlândia, Japão e vários grupos africanos com quase nenhum erro, mesmo usando números muito pequenos de marcadores genéticos. Algumas populações, como o povo Esan da Nigéria, puderam ser identificadas com apenas 128 SNPs, enquanto outras, como a população porto-riquenha, exigiram até 8.192 marcadores para atingir o mesmo nível de precisão. Essa variação sugere que diferentes grupos possuem estruturas genéticas diferentes, com alguns sendo mais distintos de seus vizinhos do que outros. O estudo também revelou que certos grupos, como os britânicos, eram mais difíceis de distinguir uns dos outros, provavelmente devido ao histórico genético compartilhado e à alta diversidade dentro da população.

Apesar desses sucessos, os pesquisadores foram cuidadosos ao notar os limites de seu trabalho. Eles reconheceram que seu método é primariamente uma ferramenta para tornar a análise possível, e não uma solução perfeita para cada questão genética. A precisão para alguns países permaneceu modesta, o que atribuíram a amostras pequenas e à realidade complexa de que as fronteiras políticas nem sempre coincidem com as fronteiras genéticas. Eles também apontaram que seu estudo não levou totalmente em conta pessoas com ascendência mista, um grupo demográfico crescente no mundo moderno que complica rótulos geográficos simples. No entanto, o estudo fornece um roteiro claro e prático de como lidar com o influxo de dados genômicos. Ao provar que uma estratégia de filtragem de duas etapas pode reduzir drasticamente o tempo de computação enquanto preserva a precisão, a equipe ofereceu um caminho viável para pesquisadores que precisam analisar conjuntos de dados genéticos massivos sem acesso aos recursos de computação mais caros.