[论文解读] Fast Inference of Admixture Coefficients Using Sparse Non-negative Matrix Factorization Algorithms

Éric Frichot, François Mathieu+3 more|arXiv (Cornell University)|Sep 24, 2013

Genetic Mapping and Diversity in Plants and Animals参考文献 29被引用 3

一句话总结

该论文提出sNMF，一种基于稀疏非负矩阵分解（NMF）与最小二乘优化的快速且精确的方法，用于估计个体混合系数。其在人类和植物基因组数据集上的验证结果表明，相比ADMIXTURE，该方法实现了10–30倍的速度提升，同时保持了高精度，决定系数R² > 0.96，均方根误差RMSE < 5.5%。

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.

研究动机与目标

• 为解决基于似然的方法（如ADMIXTURE）在大规模基因组数据中估计混合系数时存在的计算瓶颈问题。
• 开发一种快速、可扩展的替代方法，用于基于似然的群体结构推断，同时保持高精度。
• 评估稀疏NMF作为非参数、稳健方法在多种群体遗传数据集中估计祖先系数的性能。
• 通过真实和模拟的人类与植物基因组数据，对比sNMF与ADMIXTURE在准确性和运行时间上的表现。
• 验证该方法在不同混合水平、近交系数和缺失数据条件下，恢复真实群体结构和祖先比例的能力。

提出的方法

• 采用稀疏非负矩阵分解（NMF）将基因型矩阵分解为稀疏的混合比例矩阵Q和基因库频率矩阵G。
• 使用活动集方法求解带惩罚的最小二乘优化问题，以优化Q和G，并通过正则化实现稀疏性。
• 基于掩码基因型的交叉熵准则，选择最优K（祖先群体数量）和正则化参数α。
• 对5%的SNP进行随机掩码，以构建测试集，用于评估等位基因概率预测的准确性。
• 使用公式 $ p^{ ext{pred}}_{i heta}(j) = \sum_{k=1}^{K} q_{ik} g_{k heta}(j) $ 预测缺失基因型，其中j表示基因型（0,1,2）。
• 通过预测与真实等位基因分布之间的交叉熵评估模型性能，最小化 $ H(p^{ ext{sample}}, p^{ ext{pred}}) = -\sum_{j=0}^{2} p^{ ext{sample}}(j) \log p^{ ext{pred}}_{i heta}(j) $。

实验结果

研究问题

• RQ1 稀疏NMF能否为估计混合系数提供一种计算高效的替代方法，以替代ADMIXTURE等基于似然的方法？
• RQ2 sNMF在多种人类和植物基因组数据集中，与ADMIXTURE估计结果相比，其重现混合系数的准确性如何？
• RQ3 在模拟数据中，sNMF在不同混合水平、近交系数和缺失数据条件下，其准确性保持程度如何？
• RQ4 交叉熵准则是否能可靠地在真实和模拟数据中识别出正确的祖先群体数量（K）和最优正则化参数（α）？
• RQ5 在不同数据集大小和SNP数量下，sNMF的运行时间与ADMIXTURE相比如何？

主要发现

• 在6个人类基因组多样性计划（HGDP）面板的480次运行中，sNMF与ADMIXTURE估计结果的中位决定系数R² > 0.96，表明其在重现混合系数方面具有极高准确性。
• sNMF估计结果的均方根误差（RMSE）在全部480次运行中均低于5.5%，表明其精度高度一致。
• 在1000 Genomes数据集中，sNMF计算混合系数的速度比ADMIXTURE快约10至30倍，且未损失准确性。
• 在模拟数据中，交叉熵准则成功识别出正确的K值和最优α值，即使在中等至高水平近交（F_IS = 25%和100%）条件下也表现良好。
• sNMF在掩码基因型上保持了高预测准确性，交叉熵值表明其对等位基因概率的估计可靠。
• 该方法在人类（HGDP、1000 Genomes）和植物（A. thaliana）数据中均表现稳健，能正确识别出低混合水平下的群体结构。