ERICA-trio：一种无需外群的深度学习拓扑推断与渐渗检测方法

《Briefings in Bioinformatics》：ERICA-trio: an outgroup-free deep learning method for topology inference and introgression detection

　　

遗传混合（genetic admixture）是多种生物中普遍存在的现象。推断物种关系与检测渐渗（introgression）的传统算法通常依赖外群（outgroup）数据，而外群数据往往难以获取且可能引入偏倚。鉴于神经网络在拓扑推断和渐渗检测中已展现出的效力与灵活性，研究人员开发了一种基于深度学习的方法ERICA-trio，可在无需外群数据的情况下重建三个分类单元（taxa）之间的演化关系。研究人员利用覆盖广泛演化场景和参数空间的模拟数据对网络模型进行了训练与评估。结果表明，ERICA-trio达到了与依赖外群的模型相当的准确性和鲁棒性。利用预测的拓扑比例（topological proportions），研究人员采用了两种策略来识别可能发生渐渗的基因组区域：一种基于拓扑对称性，另一种基于与基因流对应的拓扑比例。两种方法均非常有效，尤其适用于检测适应性渐渗（adaptive introgression）信号。研究人员进一步将ERICA-trio应用于袖蝶属（Heliconius）蝴蝶的真实基因组数据，并成功鉴定了与拟态翅斑相关的适应性渐渗位点。总之，该研究扩展了深度学习框架在演化基因组学中的应用，并为无需外群的系统发育推断和渐渗检测提供了新工具。

在演化基因组学中，基因树与物种系统发育之间的不一致是普遍现象，其主要来源包括祖先多态性导致的不完全谱系分选（incomplete lineage sorting, ILS）以及通过杂交和回交发生的渐渗（introgression）。渐渗若使受体物种获得有利等位基因，则可驱动适应性演化，例如人类的高海拔适应、袖蝶（Heliconius）的拟态翅斑以及鱼类的毒物抗性。因此，准确检测历史基因流事件、量化其强度并定位渐渗位点，已成为演化基因组学的核心目标之一。然而，传统方法如ABBA-BABA检验、Twisst等通常依赖外群数据来为基因树定根或确定等位基因祖先状态。外群的选择在实践中存在困难，合适的外群需满足与内群无基因流且分歧程度适中的条件，否则可能引入系统性偏差。现有的一些深度学习方法又往往需要预设特定类群的种群历史，模型泛化能力尚待验证。针对上述问题，研究人员在原有ERICA框架基础上，修改输入数据和网络结构，开发了无需外群的深度学习工具ERICA-trio，并对其在拓扑推断和渐渗检测中的性能进行了系统评估。该成果发表于《Briefings in Bioinformatics》。

在技术方法上，研究人员使用溯祖模拟器ms生成基因树，并用Seq-Gen在GTR替换模型下生成多序列比对（MSA）。训练数据覆盖宽泛的参数空间，包括分化时间、基因流方向/时间/强度、重组率（4N_eρ）、替代率（4N_eμ）等，共生成12万个训练样本和1.2万个测试样本（D1）。网络采用包含残差和密集连接的卷积神经网络（CNN），输入为one-hot编码的96×5000矩阵，输出三个可能根生拓扑的比例，以平均绝对误差（MAE）为损失函数，使用Adam优化器训练。构建了含随机缺失数据的D2和变样本量的D3数据集以增加复杂度。真实数据样本来源于NCBI SRA数据库中的Heliconius melpomene两个地理族（H. m. aglaope和H. m. amaryllis）及H. timareta thelxinoe，每种4个个体。模型与最大似然法（RAxML联合Twisst）、ARG方法（Twisst2、Singer）以及D、fd、D3、f3等统计量进行了比较。

在结果方面，研究的主要发现如下。

模型性能评估：在独立测试集上，ERICA-trio的中位MAE为0.035，与四分类单元ERICA的0.034无显著差异，显著低于依赖外群的最大似然法（0.074）、Twisst2（0.105）和Singer（0.151）。重组率对误差影响较小，替代率则显著影响所有方法，但深度学习模型的波动幅度较小。这表明仅利用三个内群序列即可准确推断含根系统发育关系。

对复杂数据的鲁棒性：在D2和D3数据集上，模型误差相比D1有所上升，使用相应复杂数据重训练后，ERICA-trio在D3上的中位MAE为0.045，低于窗口树法的0.082和Twisst2的0.111。模型对缺失数据和样本量变化表现稳健，在低复杂度测试集上误差无明显增加或略有下降。

避免外群偏差：模拟外群与内群间基因流时，若基因流以外群为受体，ERICA-trio预测的物种拓扑比例不受影响；而基于外群的方法会错误推断内群关系。当基因流方向为外群至内群时，ERICA-trio仍能反映真实内群亲缘关系，但可能出现“幽灵基因流”归因问题。外群分化时间对ERICA-trio完全无影响，表明其有效避免了外群选择带来的偏倚。

输入顺序的稳健性：三个输入种群的全部6种排列均不影响预测误差，对6种排列的预测结果取平均可显著降低误差，且这种平均策略在后续分析中被采用。

分布外泛化能力：在连续缺失块和分化时间短于训练范围的测试数据中，ERICA-trio仍保持较好性能。在极短分化时间（<1×4N_e代）场景下，ARG类方法误差略低，但ERICA-trio仍优于四分类单元ERICA和窗口树法，并表现出整体稳健性。

渐渗检测效能：当无基因流时，两个替代拓扑比例相等；基因流会使对应拓扑比例显著升高。基于拓扑比例阈值和拓扑对称性两种策略均能有效检测渐渗信号。对于中性渐渗，低迁移率下检测率较低，而基于相对比例的策略准确率更高；适应性渐渗的检测准确率可达95%至98%。与D、fd和D3统计量相比，ERICA-trio具有相当的阳性率和更低的假阳性率，而f3统计量检测局部渐渗的能力十分有限。

真实基因组数据分析：在Heliconius蝴蝶数据中，预测的物种拓扑比例最高，支持共拟态类群聚类的拓扑比例显著高于另一替代拓扑，表明H. t. thelxinoe与H. m. amaryllis之间存在广泛基因流，且Z染色体对渐渗的抗性最强。最强的渐渗信号位于optix基因上游约200kb区域，另有渐渗窗口位于cortex/ivory和vvl基因附近，这些基因均为袖蝶翅斑模式的关键工具基因，支持共拟态表型趋同来源于适应性渐渗。

讨论部分强调，ERICA-trio在无外群条件下达到了与依赖外群方法相当的精度，同时避免了外群不合规引入的问题。方法仍可能受幽灵基因流影响，需要结合生物学背景和更全面采样进行解释。与D3统计量相比，深度学习方法在替代率异质性下可能更具优势。模型对缺失数据和样本量变化具有较强的泛化能力，但替代率过高或过低仍会增大误差。未来将序列编码与可训练的上下文嵌入模型结合是提升ERICA-trio的重要方向。研究的核心结论可概括为：研究人员提出了ERICA-trio，一种基于深度学习、无需外群的系统发育推断与渐渗检测方法；其性能与基于外群的方法相当，同时避免了外群引入的偏倚；该方法能够在模拟和真实基因组数据中有效检测适应性渐渗；深度学习框架为群体遗传推断提供了灵活性和鲁棒性。