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

技术摘要：低分化水平下限制局部祖先推断的因素

问题陈述
局部祖先推断（Local Ancestry Inference, LAI）旨在将混血个体的基因组位置分配给源群体，这是进行混合图谱分析（admixture mapping）和祖先特异性关联测试的前提。虽然常规的 LAI 方法在处理高度分化的源群体（如非洲/欧洲/美洲原住民，$F_{ST} \approx 0.1$）时表现良好，但其在处理近缘群体（如汉族北方人群与南方人群，$F_{ST} \approx 0.0004$）时的有效性仍未经过测试。目前的基准测试严重依赖于凝聚模拟（coalescent simulations）和单位点准确率指标，这些指标可能无法反映下游分析（如混合时间测定）所需的片段级（tract-level）结构。本研究调查了 LAI 在低分化水平下的可行性极限、基于模拟的基准测试的有效性，以及输入表示与模型架构之间的相对贡献。

方法论
作者通过两个不同的数据轨道，在连续的分化梯度（$F_{ST}$ 从 0.0022 到 0.243）上评估了五种方法：

1. 凝聚模拟： 通过马赛克化供体单倍型生成具有精确地面真值标签的两向混合事件。
2. 真实单倍型： 将相同的马赛克化构建应用于 1000 Genomes 已相位化（phased）的单倍型，涵盖 11 对群体（跨越东亚、欧洲和南亚群体）。

对比的方法：

• 基准模型： 窗口似然分类器（windowed likelihood classifier）以及由隐马尔可夫模型（HMM）平滑的似然分类器。
• 已发布的工具： RFMix v2 和 FLARE。
• 神经网络： 一个用于单位点分割训练的空洞卷积神经网络（dilated CNN）。该网络在两种配置下进行了测试：
  • 仅频率（Frequency-only）： 输入由等位基因频率和对数似然比组成。
  • 单倍型感知（Haplotype-aware）： 采用相同的架构，但增加了四个通道，用于总结针对参考面板的局部单倍型匹配情况。

核心贡献与发现

1. 存在可行性底限
LAI 的性能存在一个硬性极限，该极限由数据的包含信息量而非算法的复杂程度决定。

• 在 $F_{ST} = 0.0022$ 时，没有任何方法的准确率超过 0.575。
• 对于 CHB/CHS 对（$F_{ST} = 0.00042$），最佳准确率为 0.551。
• 在这些阈值以下，不同方法之间的差异小于运行间的变异，这表明数据中缺乏足以区分源群体的信号。这意味着在当前条件下，目前发表的关于此类群体（如汉族内部或欧洲内部）细微祖先片段的推断缺乏支持。

2. 单位点准确率是一个误导性指标
标准的指标——单位点准确率（per-site accuracy）——无法捕捉推断出的马赛克结构的完整性。

• 空洞 CNN 在模拟中实现了高单位点准确率，但产生的祖先片段数量是真实的 78.8 倍，这意味着推断的混合时间比现实早了 61.2 倍。
• 相比之下，RFMix 和 FLARE 产生的片段计数接近真实值。
• 使用基于重组先验（fixed transition prior）的 Viterbi 解码器对 CNN 的逻辑值（logits）进行处理，纠正了片段结构（将误差降低至 1.56 倍），且对单位点准确率的成本微乎其微（+0.0002）。这证明该指标对于会导致输出无法用于混合时间测定的缺陷是盲目的。

3. 模拟无法预测真实世界的表现
学习型方法在模拟中的优势并不会转移到真实数据上。

• 在模拟中，空洞 CNN 在低分化水平下的表现比最好的已发布工具高出 0.048。
• 在真实的 1000 Genomes 单倍型上，CNN 在 11 对群体中的 10 对中表现逊于已发布工具，平均差距为 -0.032。
• 这种差异并非由于模拟器生成了“更干净”的数据；事实上，在匹配的分化水平下，模拟面板携带的单倍型信号比真实面板更具可利用性。失败的原因在于，仅基于频率的网络依赖的信息在真实的染色体上是不充分的，而已发布工具则利用了完整的单倍型信息。

4. 输入表示是主要瓶颈
性能差距是由输入表示而非架构选择驱动的。

• 架构干预： 注意力机制、状态空间层、容量和预训练的变化对准确率的影响最多为 0.006。
• 输入干预： 向 CNN 提供单倍型匹配通道（与 RFMix/FLARE 的输入一致）使 8 个中的 8 个在 $F_{ST} < 0.04$ 的群体对上恢复了 +0.031 的准确率。
• 然而，即使实现了输入对等，该网络在 11 对中的 10 对中仍然落后于已发布工具，这表明虽然输入是必要的，但不足以完全弥补差距。该网络仅在 CEU/TSI 对（$F_{ST} = 0.0027$，即所有方法中具有信息量的最弱分化对）上超过了已发布工具。

5. 参考面板的大小和统计量比架构更重要
有两个在传统比较中通常保持固定的因素被发现比架构设计更具影响力：

• 统计量： 神经方法通常使用一致率（Hamming 距离），而复制模型（RFMix/FLARE）使用连续一致长度（Li–Stephens 模型的充分统计量）。连续性更具判别力，但仅在参考面板较小时提供收益；它作为面板大小的替代品而非独立信号。
• 面板大小： 没有方法达到饱和。将参考面板从 80 个单倍型增加到 100 个，在不改变相对排序的情况下提高了所有方法（包括 CNN、RFMix 和 FLARE）的准确率。

6. 对相位错误（Phasing Errors）的敏感性
相位切换错误会在不改变等位基因频率的情况下破碎单倍型。

• 依赖长程整合的方法（如仅频率 CNN）对这些错误最为敏感，其准确率损失比不集成上下文的方法（窗口似然法）或显式建模单倍型的方法（RFMix/FLARE）更大。
• 添加单倍型匹配通道减少了这种敏感性，使得单倍型感知配置比仅频率版本对相位错误更具鲁棒性。

意义与主张
本文认为，低分化水平下 LAI 的局限性主要是数据驱动的（基因组中信息不足）和表示性的（输入信息不匹配），而非学习型推理架构的失败。它强调了当前评估实践中的三个特定陷阱：

1. 依赖单位点准确率，这掩盖了对下游分析至关重要的结构性失败。
2. 仅在模拟数据上进行验证，这可能会人为地夸大学习型方法相对于已发布工具的性能。
3. 在输入表示不等（例如，仅频率 vs. 单倍型感知）的情况下比较方法。

作者得出结论，对于近缘群体，性能的“底限”由数据的包含信息量决定。虽然提供单倍型信息可以提高性能，但这并不保证能达到与现有工具持平的水平，且在这些区间内声称进行细微祖先推断需要除了推理本身之外的独立支持。该研究建议，未来的基准测试必须报告片段级统计数据，在真实单倍型上进行验证，并确保不同方法之间的输入对等。