[논문 리뷰] Fast Inference of Admixture Coefficients Using Sparse Non-negative Matrix Factorization Algorithms

Éric Frichot, François Mathieu외 3명|arXiv (Cornell University)|2013. 09. 24.

Genetic Mapping and Diversity in Plants and Animals참고 문헌 29인용 수 3

한 줄 요약

이 논문은 희소 비음수 행렬 분해(NMF)와 최소 제곱 최적화를 사용한 sNMF를 소개한다. 이는 대규모 유전체 데이터에서 개인의 혼합 계수를 추정하는 데 있어 빠르고 정확한 방법이다. 인간과 식물 유전체 데이터 세트에서 검증된 결과, R² > 0.96 및 RMSE < 5.5%를 확보하면서 ADMIXTURE 대비 10–30배 빠른 속도를 달성하였다.

ABSTRACT

Inference of individual admixture coefficients, which is important for population genetic and association studies, is commonly performed using compute-intensive likelihood algorithms. With the availability of large population genomic data sets, fast versions of likelihood algorithms have attracted considerable attention. Reducing the computational burden of estimation algorithms remains, however, a major challenge. Here, we present a fast and efficient method for estimating individual admixture coefficients based on sparse non-negative matrix factorization algorithms. We implemented our method in the computer program sNMF, and applied it to human and plant genomic data sets. The performances of sNMF were then compared to the likelihood algorithm implemented in the computer program ADMIXTURE. Without loss of accuracy, sNMF computed estimates of admixture coefficients within run-times approximately 10 to 30 times faster than those of ADMIXTURE.

연구 동기 및 목표

• 대규모 유전체 데이터에서 혼합 계수를 추정하는 데 있어 likelihood 기반 방법(예: ADMIXTURE)의 계산적 병목 현상을 해결하기 위해.
• 높은 정확도를 유지하면서도 빠르고 확장 가능한 likelihood 기반 인구 구조 추론의 대안을 개발하기 위해.
• 다양한 인구 유전학 데이터 세트에서 유전자 계수 추정에 대해 비모수적이고 강건한 방법으로서 희소 NMF의 성능을 평가하기 위해.
• 실제 및 시뮬레이션된 인간과 식물 유전체 데이터를 사용하여 sNMF의 정확도와 런타임을 ADMIXTURE와 비교하기 위해.
• 다양한 수준의 혼합, 근친 교배 및 누락 데이터 하에서 진짜 인구 구조와 유전자 비율을 얼마나 잘 복원하는지 검증하기 위해.

제안 방법

• 유전자형 행렬을 희소 혼합 비율 행렬 Q와 유전자 풀 빈도 행렬 G로 분해하기 위해 희소 비음수 행렬 분해(sparse non-negative matrix factorization, NMF)를 사용한다.
• 스패arsity를 정규화를 통해 강제로 구현한 페널티 최소 제곱 최적화 문제를 활성 집합 방법을 사용해 Q와 G를 최적화한다.
• 마스킹된 유전자형을 기반으로 한 교차 엔트로피 기준을 사용하여 최적의 K(유래 인구 집단 수)와 정규화 파라미터 α를 선택한다.
• SNP의 5%를 무작위 마스킹하여 예측 정확도 평가를 위한 테스트 세트를 구성한다.
• 예측된 유전자형 확률을 계산하기 위해 다음 공식을 사용한다: $ p^{ ext{pred}}_{i heta}(j) = \sum_{k=1}^{K} q_{ik} g_{k heta}(j) $, 여기서 j는 유전자형(0,1,2)을 의미한다.
• 모델 성능을 평가하기 위해 예측된 유전자 분포와 진짜 유전자 분포 사이의 교차 엔트로피를 사용하며, 이를 최소화한다: $ H(p^{ ext{sample}}, p^{ ext{pred}}) = -\sum_{j=0}^{2} p^{ ext{sample}}(j) \log p^{ ext{pred}}_{i heta}(j) $.

실험 결과

연구 질문

• RQ1 희소 NMF는 ADMIXTURE와 같은 likelihood 기반 방법에 비해 혼합 계수 추정에 있어 계산적으로 효율적인 대안이 될 수 있는가?
• RQ2 sNMF는 다양한 인간과 식물 유전체 데이터 세트에서 ADMIXTURE 추정치와 얼마나 정확하게 유사한 혼합 계수를 재현하는가?
• RQ3 시뮬레이션된 데이터에서 혼합, 근친 교배 및 누락 데이터의 수준이 다양할 경우 sNMF는 얼마나 정확도를 유지하는가?
• RQ4 교차 엔트로피 기준은 실제 및 시뮬레이션된 데이터에서 올바른 유래 인구 집단 수(K)와 최적의 정규화 파라미터(α)를 신뢰성 있게 선택할 수 있는가?
• RQ5 다양한 데이터 세트 크기와 SNP 수에서 sNMF의 런타임은 ADMIXTURE와 비교해 어떻게 되는가?

주요 결과

• 6개의 HGDP 패널에서 480회의 실행을 통해 sNMF는 ADMIXTURE 추정치와 중앙값 R² > 0.96를 기록하여 혼합 계수를 매우 정확하게 재현함을 보였다.
• 모든 480회의 실행에서 sNMF 추정치의 최소 제곱 오차(RMSE)는 5.5% 이하로 유지되어 일관된 정밀도를 보였다.
• 1000 Genomes 데이터 세트에서 sNMF는 ADMIXTURE 대비 약 10~30배 더 빠른 속도로 혼합 계수를 계산했으며, 정확도에 손실가지 않았다.
• 시뮬레이션된 데이터에서 교차 엔트로피 기준은 중간에서 높은 근친 교배 수준(F_IS = 25% 및 100%)에서도 올바른 K와 최적의 α를 성공적으로 식별했다.
• 마스킹된 유전자형에 대해 sNMF는 높은 예측 정확도를 유지했으며, 교차 엔트로피 값은 알레르기 확률 추정의 신뢰성을 나타내었다.
• 이 방법은 인간(HGDP, 1000 Genomes)과 식물(A. thaliana) 데이터에서 모두 강건하게 작동했으며, 낮은 혼합 수준에서 인구 구조를 정확히 식별했다.