Popformer : Apprendre des signatures générales de sélection positive avec un transformeur auto-supervisé

Comprendre la sélection naturelle peut aider à éclairer la génétique sous-jacente à l'évolution adaptative. La disponibilité généralisée de données sur la variation génétique humaine à grande échelle a conduit au développement de méthodes basées sur les données pour détecter des signatures de sélection, dont beaucoup reposent sur l'apprentissage profond. Cependant, ces méthodes échouent souvent à bien se généraliser à la diversité des signatures de sélection à travers un large éventail de scénarios évolutifs. Nous proposons un modèle novateur basé sur un transformeur, Popformer, pour apprendre des encodages de motifs généraux de variation génétique. Popformer inclut une attention site-wise et haplotype-wise, nous permettant de capturer la variation parmi les positions génétiques et les individus. Il apprend également des embeddings de position relative pour les distances inter-SNP. Le modèle est pré-entraîné avec un analogue de l'objectif de modélisation de langage masqué sur un ensemble de données génomiques humaines réelles, similaire à la tâche d'imputation génétique. En utilisant la réduction de dimensionnalité, nous montrons que le modèle pré-entraîné apprend des embeddings significatifs de fenêtres génomiques qui correspondent à la structure de population. Nous montrons également que le modèle peut effectuer avec précision l'imputation de génotypes. Nous affinons encore le modèle sur la classification de sélection et démontrons que notre modèle est plus précis que d'autres méthodes de classification de sélection, sur des simulations de sélection de modèles démographiques bien spécifiés et mal spécifiés. En utilisant une nouvelle approche de validation des données réelles, nous appliquons Popformer aux données humaines du projet 1000 Genomes et révélons sa capacité à se généraliser des données simulées à la diversité des données réelles. Dans l'ensemble, notre méthode fournit une nouvelle direction pour les méthodes d'inférence génétique des populations, avec des applications futures de fine-tuning y compris l'inférence des taux de recombinaison, l'introgression et l'ascendance locale.