prognozowanie koloru oczu i włosów w populacjach eurazjatyków północnych: poszukiwanie nowych alleli informacyjnych. Ogólny przepływ pracy

nasze dane genetyczne dotyczące osób fenotypowych obejmowały pełne sekwencjonowanie genów związanych z pigmentacją i odpowiednich regionów międzygenicznych, a nie tylko znanych wcześniej SNP. W ten sposób mogliśmy potencjalnie ujawnić nowe allele informacyjne w znanych genach. Łącznie nazwaliśmy 117 012 SNP w 53 genach i regionach międzygenicznych.

do prognozowania koloru oczu wykonaliśmy algorytmy doboru cech w celu uzyskania nowych alleli informacyjnych dla populacji północnej Eurazji dla 4 zestawów danych:

1. zbiorczy zbiór danych północnej Eurazji

2. Europejska Rosja

3. Kaukaz

4. Zachodnia Syberia

do prognozowania koloru włosów wykorzystaliśmy 5 zbiorów danych:

1. zbiorczy zbiór danych północnej Eurazji

2. Europejska Rosja

3. Kaukaz

4. Zachodnia Syberia

5. Północna Azja

północnoazjatycki zbiór danych został przeanalizowany tylko pod kątem przewidywania koloru włosów ze względu na fakt, że w tym regionie obserwuje się zmienność koloru włosów, podczas gdy w przypadku koloru oczu nie ma takiej zmienności.

każdy zbiór danych został podzielony w stosunku 60: 40 na próbki treningowe i testowe z zachowaniem procentu próbek dla każdej klasy. W przypadku zbiorczego zbioru danych kontrolowaliśmy, że próbki z różnych regionów wchodzących w skład zbiorczego zbioru danych zostały podzielone w tej samej proporcji (60:40), aby uniknąć odchylenia związanego z regionem.

procedura wyboru funkcji została przeprowadzona na zestawie danych treningowych (rysunek S2). Procedura wyboru funkcji polegała na zastosowaniu trzech algorytmów:

1. 1)

   f_regression

2. 2)

   mutual_info_regression

3. 3)

   wybór funkcji Lasso z różnymi Alfami (0.7, 0.5, 0.2, 0.1, 0.05, 0.01, 0.005, 0.001, 0.0005)

podczas analizy rozkładu wyniku F (z f_regression) i MI (z mutual_info_regression) progi dla najbardziej efektywnych funkcji z najwyższymi wynikami były ustalane dla każdego zbioru danych indywidualnie. Podczas wyboru funkcji Lasso testowaliśmy różne opcje parametru Alfa. Dla każdej wartości alpha obliczyliśmy wyniki r2 na zestawie danych treningowych dla odpowiedniego podzbioru SNP, które mają niezerowe współczynniki.

spośród tych podzbiorów wybraliśmy najważniejsze według uzyskanych wyników r2 dla każdego zbioru danych indywidualnie.

na podstawie wyników trzech algorytmów wyboru funkcji wszystkie wybrane SNP zostały połączone w górnej liście SNP dla każdego zbioru danych.

na każdej liście najlepszych SNP wybraliśmy SNP, które mają najlepszą moc predykcyjną. Te SNP utworzyły najlepsze listy SNP, których użyliśmy do zbudowania klasyfikatora. Aby wybrać najlepsze SNP, użyliśmy tej samej skali co klasyfikator HIrisPlex – s:

1. NIEBIESKI, średni i brązowy dla koloru oczu

2. czerwony, blond, brązowy i ciemny dla koloru włosów

uznaliśmy te klasy za niezależne od siebie i staraliśmy się zbudować klasyfikator o najlepszej mocy i najmniejszym zestawie SNP.

użyliśmy oddzielnych systemów rankingowych dla prognozowania koloru oczu i włosów, aby oszacować znaczenie i moc przewidywania każdego SNP w celu zawężenia list SNP.

wydajność najlepszych wybranych funkcji została potwierdzona na zestawie danych testowych. W celu oceny jakości modelu obliczyliśmy wynik R2 (funkcja oceny regresji współczynnika determinacji) (https://scikit-learn.org/stable/modules/generated/sklearn.metrics.r2_score.html), wynik AUC, dokładność, przypomnienie i metryki dokładności.

przewidywanie koloru oczu

identyfikacja najlepszych SNP w zbiorczym zestawie danych z północnej Eurazji

aby zidentyfikować najlepsze SNP związane z kolorem oczu w naszej próbce, zastosowaliśmy trzy algorytmy: f_regression (wynik F), mutual_info_regression (MI) i Lasso feature selection z różnymi Alfami (0.7, 0.5, 0.2, 0.1, 0.05, 0.01, 0.005, 0.001, 0.0005).

przeanalizowaliśmy rozkład wyników F (f_regression) i MI (mutual_info_regression) w próbkach i wybraliśmy 30 najlepszych SNP z najwyższymi wynikami.

zgodnie z wynikami Lasso feature selection zdecydowaliśmy się na umieszczenie w top liście SNPs najważniejszych – tych o niezerowych współczynnikach dla alpha = 0,5 (2 SNPs dla zbioru danych „kolor oczu” i 2 SNPs dla zbioru danych „Kolor włosów”) oraz alpha = 0.2 (8 SNP dla zbioru danych „kolor oczu” i 8 SNP dla zbioru danych „Kolor Włosów”) – te SNP mają największą moc przewidywania zgodnie z rozkładem wartości score R2 w różnych alfach. Dodaliśmy również zestawy SNP dla Alfy 0.1, 0.01 i 0.005.

ostateczna lista SNPs składała się z 256 SNPs (dodatkowy plik 3).

zawężając listę SNP i budując na jej podstawie klasyfikator koloru oczu

każdemu SNP przypisaliśmy wynik od 0 do 3. Wynik 3 jest przypisany tylko dla SNP z listy Top SNPs z pooled dataset ze względu na to, że wyniki uzyskane dla tego zbioru danych są znacznie bardziej solidne niż dla regionalnych zbiorów danych (rozmiary próbek dla regionalnych zbiorów danych są obecne w dodatkowym pliku 4). Wynik 3 jest przypisany SNP, które są w top 5 z najwyższym wynikiem F lub mają współczynniki większe lub równe 0.1 W wartości bezwzględnej w modelach Lasso dla Alfa 0.2 lub mają niezerowe współczynniki w modelach Lasso dla Alfa 0.5. Dla zbiorczej próbki wynik 2 jest przypisany SNP, które znajdują się w top 10 z najwyższymi wynikami F lub MI lub mają niezerowe współczynniki w modelu Lasso dla Alfa 0.2. Wynik 1 jest przypisany do SNP, które mają współczynniki większe lub równe 0,1 w modelu Lasso dla Alfa 0,005. Wszystkim pozostałym SNP przypisaliśmy wynik 0. Wszystkie 36 SNP z niezerowymi wynikami tworzyły listę najlepszych SNP i zostały użyte do klasyfikacji.

pięć SNP miało najwyższą notę 3. Dwa z nich były dobrze znanymi SNP powodującymi kolor oczu (rs1129038 i rs12913832), podczas gdy pozostałe trzy nie były wcześniej zgłaszane jako potężne allele predykcyjne koloru oczu.

zmienność listy najlepszych SNPs w różnych regionach geograficznych

Cała analiza przeprowadzona dla zbiorczego zbioru danych północno-euroazjatyckich została powtórzona dla populacji z trzech następujących regionów oddzielnie: Europejskiej Rosji, Kaukazu i zachodniej Syberii. Dla regionalnych zbiorów danych Wynik 2 został przypisany do SNP, które były w top 5 z najwyższymi wynikami F i MI lub miały współczynniki większe lub równe 0.1 w wartości bezwzględnej w modelu Lasso dla Alfa 0,5 lub niezerowych współczynników w modelu Lasso dla Alfa 0,7. Wynik 1 został przypisany do SNP, które były w top 6 z najwyższymi wynikami F i MI lub mają współczynniki niezerowe w modelach Lasso dla Alfa 0.7 i 0.5. Plik dodatkowy 5 przedstawia najlepsze Zestawy SNP dla wszystkich trzech regionów. Porównanie list regionalnych z listą zbiorczej próby znajduje się w dodatkowym pliku 6. Ogólnie rzecz biorąc, zestaw najlepszych SNP jest stabilny w poszczególnych regionach: SNP z najwyższymi wynikami znajdują się na większości list, podczas gdy wśród innych SNP są oba, zidentyfikowane w każdym regionie i dla danego regionu. Konieczne jest dalsze badanie dodatkowych próbek fenotypowych w celu odtworzenia znaczenia SNP specyficznych dla danego regionu.

lista SNPs została uszeregowana według łącznej punktacji (jako suma wszystkich punktów dla 4 próbek: Kaukazu, Zachodniej Syberii, Europejskiej Rosji i zbiorczej) (plik dodatkowy 6). 7 najlepszych SNP ma najwyższy całkowity wynik i wystąpił w więcej niż jednym zbiorze danych, co jest dodatkowym potwierdzeniem, że te SNP mają silną moc predykcyjną (Tabela 3). Dwa z tych SNP (rs1129038 i rs12913832) są już włączone do Panelu HIrisPlex – s, podczas gdy pozostałe pięć SNP są nowymi kandydatami do przewidywania koloru oczu w północnych populacjach euroazjatyckich. Oszacowaliśmy częstość występowania tych pięciu SNP w północnej populacji Euroazjatyckiej (dodatkowy plik 7). Każdy SNP został wykryty z polimorficzną częstością w każdej populacji regionalnej, więc te SNP są powszechne, a nie rzadkie.

wydajność SNP północno-euroazjatyckich ustawiono

oszacowaliśmy wydajność SNP, które wykazały najwyższą moc predykcyjną w naszej północno-euroazjatyckiej próbce. W zestawie minimalnym znalazło się 7 SNP-ów, z których dwa były wcześniej dołączone do Panelu HIrisPlex-S. Optymalny zestaw obejmował 36 SNP, które uzyskały najwyższe wyniki w zbiorczym zestawie danych północno-euroazjatyckich. Przetestowaliśmy skuteczność klasyfikacyjną obu zestawów SNP północno-euroazjatyckich. Rysunek 2 przedstawia krzywe ROC i wyniki AUC dla przewidywania trzech kolorów oczu. Dokładność zestawu 7 SNPs jest prawie tak samo skuteczna jak przewidywanie oparte na 41 HIrisPlex-s SNPs, podczas gdy zestaw 36 północno-euroazjatyckich SNPs nieznacznie przewyższa 41 HIrisPlex-s SNPs na naszej próbce (rys. 2, Tabela 1).

ys. 2

krzywe ROC-AUC dla prognozowania koloru oczu na północno-euroazjatyckim zbiorze danych dla trójstopniowej skali. Panel a: wyniki na zestawie 7 SNPs. Panel b: wyniki 36 SNPs

prognoza koloru włosów

przeprowadziliśmy tę samą analizę wyboru funkcji, aby znaleźć i ocenić listę najlepszych SNPs dla prognozy koloru włosów dla zbiorczej próbki północnej Eurazji, która obejmuje populacje z następujących regionów: Kaukaz, Europejska Rosja, Zachodnia Syberia i Północna Azja.

wybraliśmy 322 najlepszych SNP i zawęziliśmy listę do 33 najlepszych SNP, które mają najsilniejsze wyniki w klasyfikacji 4-stopniowej: czerwony, blond, brązowy i ciemny kolor włosów, taka sama skala jak HIrisPlex-S (dodatkowy plik 8).

przypisaliśmy punkty istotności, aby wybrać minimalny zestaw SNP w następujący sposób:

1. 1)

   wynik 3 został przypisany do SNP, które są w top 5 z najwyższymi wynikami F lub MI lub mają współczynniki większe niż 0,05 w wartości bezwzględnej w modelach Lasso dla Alfa 0,2 lub mają niezerowe współczynniki w modelach Lasso dla Alfa 0.5

2. 2)

   wynik 2 został przypisany do SNP w top 10 z najwyższymi wynikami F lub MI

3. 3)

   reszta SNP z listy 33 najlepszych SNP ma wynik 1

udało nam się wykryć najmocniejsze 11 SNP, które mają najwyższy wynik (3), trzy z nich znajdują się w Panelu HIrisPlex-s (rs16891982, rs12913832 i rs1129038).

sprawdziliśmy wydajność klasyfikatora na podstawie 11 zestawów SNPs i próbowaliśmy oszacować jego zdolność do rozróżniania 4 niezależnych klas (takich samych jak w przypadku HIrisPlex-S): czerwonych, blond, brązowych i ciemnych włosów (dodatkowy plik 9).

dodatkowo próbowaliśmy połączyć 2 klasy koloru włosów-blond i brown – ponieważ algorytm nie ma wystarczającej mocy, aby je rozróżnić, i sprawdziliśmy wydajność wybranych SNP dla 3 stopniowej skali. Jak widać z wyników (rys. 3) wydajność klasyfikatora znacznie się poprawiła dla obu zestawów SNP: najmocniejszych 11 SNP i 33 najlepszych SNP.