文献阅读笔记：从祖先重组图推断选择性扫荡的深度学习方法

论文信息： Hejase, Hussein A et al. “A Deep-Learning Approach for Inference of Selective Sweeps from the Ancestral Recombination Graph.” Molecular biology and evolution vol. 39,1 (2022): msab332. doi:10.1093/molbev/msab332

背景

这篇文章提出了一种基于LSTM神经网络的正选择检测方法。

作者介绍

本文的通讯作者是来自冷泉港西蒙斯定量生物学中心的Adam Siepel，他的实验室在发表本方法前已经在包括Nature、Nature genetics在内的期刊上发表了一百多篇文章，并开发了PHAST、ARGweaver等知名群体遗传学方法。

两位共同一作分别是博士后学生侯赛因和博士研究生Mo ZIYI

关于LSTM

本文是深度学习方法在群体遗传学中的一个重要应用。深度学习方法又称为深度神经网络，其可以基于给定的数据训练出预测模型，用于分类任务或者回归任务。由于神经网络中不同神经元连接方式的灵活性，经过精心设计和训练的深度学习模型可以达到很好的预测效果（如下图， Zou J, Huss M, Abid A, Mohammadi P, Torkamani A, Telenti A. Nat Genet. 2019;51(1):12-18 ）

循环神经网络（RNN，如下图）是深度神经网络的一种类型，其输入为序列数据，而模型的输出会基于当前神经元的输入和之前的若干神经元的输出，这样的结构很适合基因组这样的序列数据。

长短时程记忆神经网络（LSTM）是一种经过改进的RNN模型，其单个神经元的模型如右图所示。LSTM引入了长时程记忆的机制，因此可以很好的应对传统RNN模型在训练中容易发生的梯度爆炸和梯度消失问题，因此有着非常广泛的应用。在LSTM的基础上发展出了Transform模型，这是今天非常火爆的chatGPT等大型语言模型的基础。

这篇文章则是将LSTM应用在了祖先重组图谱（ARG）当中，从而实现了对选择压力即所谓selective sweep的检测。

关于祖先重组图（ARG）

我们先介绍一下祖先重组图（ARG）。在说ARG之前，我们简单回顾一下溯祖模型。如下图，所谓溯祖（Coalescence）是指在时间上回溯，一组等位基因的谱系在共同祖先处合并的过程。我们可以通过从一个群体中采样的等位基因来研究基因的祖先历史，从而推断群体的遗传特征（如果想要了解更多，可以阅读 Principle Of Population Genomics(3rd) 中 chapter3 的相关章节）。

例如，下图左图，当前群体的所有等位基因（黄色圆圈）经过6个世代的回溯能够找到同一个共同祖先，在这个回溯过程中我们可以得到一棵遗传谱系树，其拓扑结构和枝长等属性包含了许多重要的信息，可以帮助我们确定每个等位基因的出现时间以及群体频率变化情况。

由于基因组不同区域存在重组，因此如果我们根据基因组不同区域去建立溯祖树，那么我们将得到一系列枝长和拓扑结构存在差异的树，当我们把这些差异考虑进去以后就构成了一个祖先重组图（如下图的右图）。

不同选择压力条件下，基因组区域所呈现出的ARG的拓扑结构也存在差异。下图中，黄色五角星标记了群体中出现的有益突变，从图中可以看出在有益突变出现后，携带该有益突变的谱系在短期内出现了大量扩张，产生了大量极短的分支，这是受到选择的基因组区域的ARG的显著特征之一（ Hejase HA, Dukler N, Siepel A. Trends in Genetics. 2020;36(4):243-258. ）。因此，我们可以利用ARG的这种拓扑结构特点进行正选择检验。

方法构建

本文提出了SIA方法，基于LSTM和ARG信息检测正选择信号。其大体流程分为这样几步：

• 1、估计研究对象的群体历史
• 2、基于群体历史的参数，我们使用discoal simulator获得了中性区域和正选择区域的基因组模拟数据。
• 3、对模拟数据进行ARG的推断
• 4、进行特征提取
• 5、基于上述数据进行神经网络的训练，并将训练好的模型用于真实数据，从而推断正选择事件、选择强度、等位基因频率轨迹

第一步：估计研究对象的群体历史。

选择事件和群体历史事件（如群体的扩张和收缩）常常在基因组中留下相似的印记。为了避免这些混杂因素的干扰，需要先对研究对象的群里历史进行推测。这篇文章的研究对象是CEU人群，即有北欧和西欧祖先血统的犹他州居民人群，因此使用了前人研究的结果；然而，这一步也可以用软件进行估计，例如Relate、smc++等

第二步，训练数据的获得，这里采用的是数据模拟的方法。作者使用了discoal simulator这一模拟软件，基于群体历史参数，获得了中性区域和正选择区域的基因组模拟数据。

第三步，对模拟数据进行ARG的推断。本文作者推荐使用Relate这个软件做ARG推断。

这里其实有一个很有意思的点，前面在介绍作者的时候提到过，本文通讯作者Adam Siepel实验室开发过多款软件，其中就有一个名叫ARGweaver的软件是专门做ARG推断的。但是此处作者却使用了另一个软件Relate，实在有些奇怪。

Relate是牛津大学的Leo Speidel和Simon R. Myers开发的一款基于隐马尔科夫链的ARG推断工具，据作者宣称Relate可以处理几千甚至上万级别的基因组数据，并且速度比ARGweaver快得多，或许这就是SIA方法不用ARGweaver却用Relate的原因。

第四步，进行特征提取。

如图所示，特征提取方法如下：将树分成100个离散的时间点，这些时间点以指数函数均匀分布在树上，然后统计每个时间点上的祖先谱系数量和衍生谱系数量，这样就构成了一个100维的特征向量。为了增强泛化能力，SIA方法还会考虑上下游各两个侧翼位点，因此最终获得的是一个600维的向量。

第五步，基于上述数据进行神经网络的训练，并将训练好的模型用于真实数据，从而推断正选择事件、选择强度、等位基因频率轨迹。

由于LSTM的输入是ARG树上不同时间点的谱系数量，这在一定程度上可以反映ARG树的拓扑结构，因此训练出的模型可以学会用ARG树的拓扑结构预测正选择。

与其他方法的比较

作者在不同的选择强度参数（s）和等位基因频率参数（f）下比较了SIA方法和其他模型的性能（包括Tajima’s D, iHS, RELATE等）。

当选择压力更强【右】、DAF更高【下】时，所有方法的效果普遍都很好。

但是，如果选择压力更弱一点【左】、DAF更低一点【上】时，则SIA表现最好。

作者还在有真实ARG树的数据上比较了SIA方法和CLUES方法，以排除ARG推断过程中的误差对结果的干扰。

CLUES也是一种基于ARG的正选择推断工具，由加州大学伯克利分校的Aaron J. Stern（亚伦J.斯特恩）等人开发，于2019年发表于PLOS genetics杂志上，其文献和原理如下图的左图所示。与SIA不同，CLUES使用马尔科夫链蒙特卡洛模型（MCMC）进行建模，这是一种无监督学习算法，因此不需要预先生成模拟数据和训练，这排除了模拟数据过程中可能产生的偏差；然而，CLUES只考虑中心位点的ARG树，而不考虑侧翼树，因此在某些情况下预测结果可能存在偏差。

本文的作者在同一个数据集上比较了SIA方法和CLUES方法，结果如右图所示。

CLUES与SIA表现相似，但是在中性区域（S=0）处对选择强度（S）有些高估，在选择压力较高的区域对选择强度（S）有些低估，这在S=0和S=0.01的情况下尤为明显。

此外，SIA在估计选择强度（S）时的错误率比CLUES低，这可能是SIA考虑了侧翼序列带来的好处。

讨论

首先是SIA与CLUES的对比。

	SIA	CLUES
算法	LSTM，是一种监督学习	HMM，是一种无监督学习
训练集	使用模拟软件生成，对参数敏感	不需要
输入	Focal site及上下游位点的ARG	只考虑focal site的ARG
各自优势	稳健性更强，对推断的ARG所包含的偏差更加不敏感	不会受到训练集的分布偏差带来的影响

然后是以SIA、CLUES等方法为代表的基于ARG树和机器学习算法的新方法与传统方法的比较。

传统方法主要指的是基于等位基因频率谱（SFS）等信息汇总得到的统计量，例如Tajima’s D，Fay and Wu’s H，Fu and Li test等，这些传统方法的优点在于数学原理简单，且计算量相对较小，可以更快速的获得检测结果。

相比于传统方法，基于ARG的诸多方法使用了祖先重组图（ARG）的数据，这使得计算过程更多地考虑到了群体的基因组特征，因此更加精准。当然这样的精确性是有代价的，SIA一类的方法的算法更复杂，需要的计算量也更大。

	传统方法	SIA（以及类似方法）
数学基础	汇总统计量、等位基因频率谱等	ARG
算法	各个方法都有自己的算法，但是数学表达式都比较直观	深度神经网络（LSTM）
优点	速度快，原理简单	尽可能多地考虑到了基因组特征，更加精准
缺点	不够精准；在计算汇总统计量时丢失了许多基因组所携带的信息	算法比较复杂

作者也反思了SIA目前存在的一些问题：

• （1）SIA的输入是一系列离散时间点上ARG树的谱系数量，这样的向量并不能精确表示整棵树
• （2）SIA依赖上游ARG树的构建方法，因此会受到ARG构建方法的影响。这也是作者推荐用Relate建树的原因
• （3）SIA需要用模拟数据训练，模拟数据的生成参数对于训练结果有影响。因此需要先估计群体历史，再用群体历史参数生成训练集

但即使这样，SIA依然是一个非常优秀的正选择推断方法，可以在正选择检测中发挥重要作用。