Details

Данная работа посвящена разработке и сравнению методов анализа полноге­ номных SNP-данных с высокой долей пропусков для решения задач популяционной генетики белого медведя (Ursus maritimus) Российской Арктики с привлечением алгоритмов машинного обучения. Предмет исследования: генетическая диффе­ ренциация популяций белого медведя на основе анализа SNP-маркеров из истори­ ческих образцов (музейные коллекции, период сбора 1883–2000 гг.). Цель работы: разработка и сравнение методов обработки и анализа полногеномных SNP-данных с высокой разреженностью для идентификации информативных биомаркеров, разделяющих популяции, и оценки точности классификации географической при­ надлежности образцов. Методология: Реализован пайплайн предобработки данных, включающий фильтрацию по пропускам и частоте минорного аллеля (MAF), отбор SNP по максимальному попарному FST (метод Хадсона), стратифицированное разделение выборки на обучающую и тестовую. Выполнено сравнение двух методов кодирования генотипов (one-hot и count-based). Применены три алгоритма клас­ сификации с учителем: LASSO (L1-регуляризованная логистическая регрессия), Random Forest и XGBoost. Для каждого метода проведён подбор гиперпараметров (кросс-валидация, байесовская оптимизация). Качество моделей оценивалось по метрикам Balanced Accuracy и F1-macro. Анализ важности признаков позволил ран­ жировать SNP по их вкладу в классификацию и сформировать панели кандидатных биомаркеров. Результаты: Показано, что отбор SNP по максимальному попарному FST позволяет выделить маркеры, дифференцирующие восточную группиров­ ку (East). LASSO и XGBoost показали сопоставимую эффективность (Balanced Accuracy = 0.3143), при этом XGBoost единственный выделил панель из 20 SNP, статистически значимо превосходящую случайный набор (p = 0.03). Random Forest продемонстрировал более низкое качество (Balanced Accuracy = 0.3000). Count– based кодирование оказалось предпочтительнее one-hot для XGBoost. Выявлены два SNP (NW_024423709.1_30379, NW_024424664.1_28063), стабильно входящие в топ-5 важности LASSO и Random Forest. Область применения: Разработанный пайплайн может быть использован для анализа популяционной структуры других видов на основе исторической ДНК с высокой долей пропусков. Полученные результаты могут быть учтены при актуализации стратегий сохранения белого медведя в условиях изменения климата. Выводы: Линейная модель (LASSO) и градиентный бустинг (XGBoost) показали сопоставимую эффективность на слабо дифференцированных данных. XGBoost продемонстрировал способность выделять компактную панель информативных SNP. Общая слабая генетическая диффе­ ренциация (средний FST < 0.04) и низкая объяснённая дисперсия PCA (первые 5 компонент объясняют 7.18%) указывают на высокую мобильность особей и активный поток генов между популяциями Российской Арктики.

This work is devoted to the development and comparison of methods for analyzing whole-genome SNP data with a high proportion of missing values for solving problems of population genetics of the polar bear (Ursus maritimus) in the Russian Arctic using machine learning algorithms. Subject of research: genetic differentiation of polar bear populations based on the analysis of SNP markers from historical samples (museum collections, collection period 1883–2000). Objective: development and comparison of methods for processing and analyzing highly sparse whole-genome SNP data for identifying informative biomarkers that differentiate populations and assessing the accuracy of classification of geographical origin of samples. Methodology: A data preprocessing pipeline was implemented, including filtering by missing rate and minor allele frequency (MAF), SNP selection by maximum pairwise FST (Hudson’s method), stratified train/test split. Two genotype encoding methods (one-hot and count-based) were compared. Three supervised classification algorithms were applied: LASSO (L1-regularized logistic regression), Random Forest, and XGBoost. Hyperparameter tuning was performed for each method (cross-validation, Bayesian optimization). Model quality was assessed using Balanced Accuracy and F1-macro. Feature importance analysis allowed ranking SNPs by their contribution to classification and forming panels of candidate biomarkers. Results: SNP selection by maximum pairwise FST allowed identifying markers differentiating the eastern group (East). LASSO and XGBoost showed comparable performance (Balanced Accuracy = 0.3143), while XGBoost was the only method that identified a panel of 20 SNPs significantly outperforming a random set (p = 0.03). Random Forest showed lower quality (Balanced Accuracy = 0.3000). Count-based encoding proved preferable to one-hot for XGBoost. Two SNPs (NW_024423709.1_30379, NW_024424664.1_28063) were consistently ranked in the top 5 of LASSO and Random Forest importance. Application area: The developed pipeline can be used to analyze the population structure of other species based on historical DNA with a high proportion of missing data. The obtained results can be taken into account when updating polar bear conservation strategies under climate change. Conclusions: Linear model (LASSO) and gradient boosting (XGBoost) showed comparable performance on weakly differentiated data. XGBoost demonstrated the ability to identify a compact panel of informative SNPs. The overall weak genetic differentiation (mean FST < 0.04) and low explained variance of PCA (first 5 components explain 7.18%) indicate high individual mobility and active gene flow between populations of the Russian Arctic.

• Разработка и сравнение методов обработки и анализа геномных данных с высокой разреженностью для задач популяционной генетики
  • Введение
  • 1. Постановка задачи и предварительный анализ данных
  • 2. Анализ генетической дифференциации и снижение размерности данных
  • 3. Анализ нагрузок главных компонент и выявление информативных SNP
  • 4. Методы обработки и кодирования SNP-данных
  • Заключение
  • Список использованных источников