In which cases does it make sense to classify a trace into one population, and what are the alternatives?
本研究通过使用104个祖先信息标记（AIMs）评估了用于生物地理学祖先分析的分类方法，证明了一种新型朴素贝叶斯（RNB）分类器能有效区分参照群体内、混血及参照群体外个体，从而解决了将未知个体归类为单一参照群体的局限性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
当犯罪现场留下极微小的血滴或一根头发时，法医科学家通常会求助于 DNA，以了解此人可能的身份。除了简单地匹配嫌疑人之外，调查人员现在还可以通过观察遗传标记来推测一个人的祖先来自何处、其眼睛可能是什么颜色，或者其年龄大小。这一过程被称为生物地理祖先分析（biogeographical ancestry analysis），其原理是将发现于证据中的 DNA 与来自世界各地的参考群体库进行对比。可以将这些参考群体想象成不同的社区；目标是看该 DNA 图谱最符合哪一个社区。然而，现实世界很少像图书馆目录那样井然有序。人们在移动，家族在融合，而且还存在着尚未被采样的人群。如果一个人的父母来自两个不同的大陆，或者其家族来自数据库中从未包含过的地区，强行将他们的 DNA 归入单一的“社区”可能会导致错误的结论。对于调查人员来说，关键问题不仅在于如何分配一个标签，而是在于何时可以安全地分配标签。
来自德国及鲁尔区大学的一个研究小组致力于解决这一特定问题。他们探究了何时将一份痕迹分类为特定的一个群体是合理的，以及同样重要的——系统何时应该承认其并不知晓。为了回答这个问题，他们使用了一组由 104 个遗传标记组成的工具包（这是现代法医学中使用的标准工具）测试了七种不同的统计方法。他们的目标是建立一个能够实现三件事的系统：自信地将一个人归入已知的人群，识别出一个人是否拥有来自两个不同人群的父母，或者宣布该人的背景与参考数据过于不同而无法进行分类。
研究人员发现，最可靠的方法是他们称为“近期朴素贝叶斯”（recent naive Bayes）分类器的方法。与那些即使在数据薄弱时也会强行做出猜测的旧方法不同，这个新系统表现得像一个谨慎的守门员。它首先计算出一个个体最可能的两类祖先人群。如果该人并非混血，系统会预测其父母属于同一人群。如果该人是混血，则预测其父母属于两个不同的人群。至关重要的是，系统随后会检查置信度得分。如果遗传证据足够强大并超过了特定阈值，系统才会报告结果。如果证据过于模糊，系统则拒绝猜测并报告样本为“超出参考范围”。这种拒绝并非失败，而是一种防范错误的保护机制。
在测试中，研究人员模拟了数千种场景，以观察每种方法的表现。他们利用来自参考数据库中父母的人造后代，来测试系统识别混血祖先的能力。他们还从训练数据中扣除了整个群体，以观察系统是否能识别出某人不属于任何已知群体。表现最好的方法在近 85% 的案例中正确识别了来自未知人群的人，有效地拒绝了他们而非误标他们。当系统接受分类时，其准确性极高。例如，当系统识别出一个人拥有来自两个不同群体的父母时，它在 64% 的案例中正确命名了双方的起源，并在几乎所有其他案例中至少对了一方。
研究人员还在来自 28 名提供自身家族史志愿者的真实样本上测试了他们的方法。在这一组中，系统成功分类了 16 名个体，并高精度地匹配了他们自报的祖先背景。对于其余 12 人，系统正确地拒绝了做出猜测。在许多被拒绝的案例中，这些个体拥有复杂的家族史，例如一位父母已经是混血，或者一位祖父母来自遥远的地区，这使得遗传信号过于模糊，无法使用单一标签进行标注。系统在这些困难案例中拒绝猜测的行为，防止了它做出可能误导调查的错误分配。
其中一个关键发现是参考数据库的大小至关重要。该研究使用了一个由 104 个标记组成的面板，这对于区分东亚、欧洲和非洲等主要大陆群体非常有效。然而，研究人员指出，某些人群在遗传上如此相似，以至于即使是最优秀的标记也难以区分它们。例如，区分中东地区的人与欧洲某些地区的人被证明很困难，这导致研究人员在测试中将他们视为同一个群体。这凸显了一个局限性：只有当一个人确实与数据库中的群体有显著差异时，系统才能判定其为“超出参考范围”。如果缺失的人群与已知人群非常接近，系统仍可能将该人归入已知群体，这是一种合理的近似，但并非完美的匹配。
该研究还探讨了混血祖先的问题。传统方法在处理父母背景不同的个体时往往表现不佳，有时会将他们强行归入单一类别，或者完全无法识别这种混合情况。新方法将混血祖先视为模型的一个自然组成部分。它不需要通过虚假的混血案例进行教学；相反，它理解一个人是两个父母的结合。这使得它能够报告一个混合结果，例如“一位父母来自欧洲，另一位来自南亚”，而不是仅仅说“混血”。这种程度的细节对于法医调查至关重要，因为比起一个模糊的标签，它能更有效地缩小潜在嫌疑人的范围。
最终，这篇论文证明了在法医遗传学领域，最诚实的答案有时是“我们不知道”。通过将一种复杂的分类工具与一套严格的接受或拒绝猜测的规则相结合，研究人员创建了一个能最大限度降低错误线索风险的系统。该系统不仅寻找最佳匹配，还会评估这种匹配是否足够可靠。在犯罪调查这个高风险的世界里，一个错误的猜测可能会浪费资源或误导方向，因此，这种说“不”的能力与说“是”的能力同样具有价值。这项工作证实，虽然我们可以从 DNA 中获知很多信息，但我们也必须尊重我们现有知识的局限性以及人类历史的复杂性。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。