DOI: https://doi.org/10.1073/pnas.2518956123
PMID: https://pubmed.ncbi.nlm.nih.gov/40666889
تاريخ النشر: 2026-04-10
المؤلف: Kevin Korfmann وآخرون
الموضوع الرئيسي: التنوع الجيني وبنية السكان
نظرة عامة
تقدم هذه البحث نهجًا جديدًا لاستنتاج الجينات السكانية من خلال إعادة صياغة استنتاج أوقات التلاقي كمشكلة ترجمة بين أنماط الطفرات القابلة للملاحظة والرسم البياني للتزاوج السلفي (ARG) غير القابل للملاحظة. يقدم المؤلفون نموذج محول يعتمد فقط على فك التشفير، يسمى cxt، والذي يستخدم توقعات ذاتية التكرار للأحداث التلاقي بناءً على السياقات الطفرية المحلية. يستلهم هذا النموذج من التقدم في نماذج اللغة الكبيرة ويظهر أداءً Comparable لنماذج احتمالية سلسلة ماركوف مونت كارلو (MCMC) المتطورة عبر سيناريوهات ديموغرافية متنوعة، بما في ذلك السياقات داخل التوزيع وخارج التوزيع.
تم تدريبه على محاكاة من كتالوج stdpopsim، يظهر cxt قدرات تعميم قوية ويمكّن من استنتاج فعال، حيث يحقق أكثر من مليون توقع للتلاقي في دقائق معدودة. بالإضافة إلى ذلك، يوفر النموذج توزيعًا تقريبيًا موثوقًا للتوزيع الخلفي لتوقعاته، مما يسهل الكميّة المبدئية لعدم اليقين. يمثل هذا العمل خطوة مهمة نحو تطوير نموذج أساسي لعلم الوراثة السكانية، مما يدمج بشكل فعال تقنيات التعلم العميق مع نظرية التلاقي لتعزيز قابلية التوسع ومرونة استنتاج التاريخ النسب من البيانات الجينومية.
مقدمة
تناقش مقدمة هذه الورقة البحثية الرسم البياني للتزاوج السلفي (ARG)، وهو هيكل معقد يمثل العملية العشوائية لسلالات الجينات التي تتبع إلى أسلاف مشتركة. يبرز أهمية الطفرات على طول هذه الفروع النسبية، التي توفر رؤى حول ARG المخفي وتسمح باستنتاج التوبولوجيات الجينومية وتوقيت أحداث التلاقي. لقد حسنت التقدمات الأخيرة في علم الوراثة السكانية قدرتنا على إعادة بناء الأنساب الجينومية الكاملة، مع تطور الأساليب من محاكاة سلسلة ماركوف المبكرة إلى أساليب أكثر تطورًا مثل التلاقي المتسلسل ماركوف (SMC) وتقنيات الاستنتاج المعتمدة على المحاكاة مثل الحساب البايزي التقريبي (ABC).
تقدم الورقة نموذجًا جديدًا يعتمد على المحولات، يُشار إليه باسم cxt، مصممًا للتنبؤ بأوقات التلاقي الزوجية إلى أحدث سلف مشترك (TMRCA). على عكس نماذج لغة DNA التقليدية، يستخدم cxt بيانات اصطناعية من محاكاة الجينات السكانية لأداء توقع التلاقي التالي، مما يربط بشكل فعال أنماط الطفرات الملاحظة بالهياكل النسبية. يؤكد المؤلفون على قابلية توسيع النموذج ومرونته، موضحين أدائه المتطور في استنتاج أوقات التلاقي عبر الكروموسومات المتزاوجة، خاصة عند تطبيقه على بيانات التباين الجينومي البشري. تشير النتائج إلى أن cxt لا يتفوق فقط في الدقة والتعميم عبر محاكاة متنوعة ولكن أيضًا يوفر أداة قوية لفهم السيناريوهات الديموغرافية المعقدة في علم الوراثة السكانية.
طرق
في هذا القسم، يقدم المؤلفون نظرة شاملة على المنهجيات المستخدمة في دراستهم. يبدأون بتقديم مفهوم توقع التلاقي التالي، الذي يعمل كإطار أساسي لتحليلهم. بعد ذلك، يوضحون كيفية تحديد معلمات محاكاة التلاقي وتنسيق بيانات الطفرات، لضمان هيكلتها بشكل مناسب للإدخال في الشبكة العصبية الخاصة بهم.
تعتمد بنية الشبكة على نموذج GPT-2 الذي يعتمد فقط على فك التشفير، والذي تم تعديله لتلبية الاحتياجات المحددة لبحثهم. أخيرًا، يحدد المؤلفون التجارب المختلفة التي تم إجراؤها لتقييم طريقتهم، بما يتماشى مع الأهداف المحددة في الدراسة. يبرز هذا النهج المنهجي صرامة منهجيتهم والتطبيق المبتكر للنماذج الحالية على أسئلة بحث جديدة.
نتائج
في هذا القسم، يقدم المؤلفون إطارًا مفاهيميًا يدمج نمذجة اللغة العامة مع علم الوراثة السكانية، ويؤسس مهمة توقع التلاقي التالي التي تتوازى مع نمذجة التلاقي المعتمدة على SMC. يقيمون دقة نموذجهم، المشار إليه باسم cxt، مقارنةً بأساليب الاستنتاج السريعة الحالية، وبشكل خاص Singer وGamma-SMC، كما هو موضح في دراسات حديثة (Deng، Nielsen، وYun S. Song 2024؛ Schweiger وDurbin 2023).
يتم تقييم أداء النموذج بشكل أكبر باستخدام كتالوجات stdpopsim v0.2 وv0.3 شبه الكاملة، التي تشمل مجموعة متنوعة من الأنواع، والسيناريوهات الديموغرافية، والخرائط الجينية، مع استبعاد البكتيريا ونوعين لهما معدلات تزاوج متطرفة. يقيم المؤلفون الدقة العالمية لتوقعات الوقت لأحدث سلف مشترك (TMRCA) من خلال مقارنة معدلات التلاقي الحقيقية بتلك المقدرة من خلال المحاكاة. بالإضافة إلى ذلك، يتم تطبيق cxt على بيانات جينومية حقيقية من مشروع 1000 جينوم، حيث يتم تقدير أوقات التلاقي عبر كروموسومين باستخدام تسلسلات أحادية من أفراد من أصل بريطاني.
مناقشة
في هذه الدراسة، يقدم المؤلفون cxt، وهي بنية محول تعتمد فقط على فك التشفير مصممة خصيصًا لاستنتاج أوقات التلاقي المحلية من أنماط الطفرات في الجينومات المتزاوجة. من خلال إسقاط كثافات الطفرات المستمرة في مساحة كامنة واستخدام تضمينات موضعية دوارة لترميز المسافات الجينومية، يلتقط cxt بشكل فعال الطبيعة العشوائية للعمليات التطورية. يتم تدريب النموذج باستخدام هدف توقع التلاقي التالي، مما يسمح له بالتنبؤ ذاتيًا بأوقات التلاقي المفصلة بناءً على السياقات الطفرية المحلية. يُظهر التقييم مقارنةً بالأساليب الحالية أداءً متفوقًا لـ cxt، حيث يحقق أخطاء متوسطة مربعة أقل (MSE) في سيناريوهات ديموغرافية متنوعة، بما في ذلك تلك التي لم تُدرج في مجموعة تدريبه. يعزز الضبط الدقيق دقته، مما يُظهر قابليته للتكيف ومرونته.
يستكشف المؤلفون أيضًا قدرات تعميم cxt عبر أنظمة المعلمات المختلفة، كاشفين عن قدرته على الاستيفاء والتقدير خارج مجموعة بيانات التدريب. تشير معايرة التوزيعات التقريبية إلى أن cxt يوفر تقديرات موثوقة لعدم اليقين لتوقعات أوقات التلاقي. بالإضافة إلى ذلك، يقدر النموذج بنجاح مسارات حجم السكان الفعالة من بيانات محاكاة، مما يتماشى بشكل وثيق مع المعدلات الحقيقية. عند تطبيقه على بيانات العالم الحقيقي من مشروع 1000 جينوم، يُظهر cxt فعاليته في تقدير أوقات التلاقي، كاشفًا عن رؤى تطورية مهمة، خاصة في مناطق التطور التكيفي. بشكل عام، يمثل cxt تقدمًا كبيرًا في علم الوراثة السكانية، حيث يجمع بين مزايا نمذجة اللغة ونظرية التلاقي لتقديم إطار مرن وفعال للاستنتاج التطوري.
DOI: https://doi.org/10.1073/pnas.2518956123
PMID: https://pubmed.ncbi.nlm.nih.gov/40666889
Publication Date: 2026-04-10
Author(s): Kevin Korfmann et al.
Primary Topic: Genetic diversity and population structure
Overview
The research presents a novel approach to population genetic inference by reframing the inference of coalescence times as a translation problem between observable mutation patterns and the unobservable ancestral recombination graph (ARG). The authors introduce a decoder-only transformer model, named cxt, which utilizes autoregressive predictions of coalescent events based on local mutational contexts. This model is inspired by advancements in large language models and demonstrates performance comparable to state-of-the-art Markov Chain Monte Carlo (MCMC) likelihood models across various demographic scenarios, including both in-distribution and out-of-distribution contexts.
Trained on simulations from the stdpopsim catalog, cxt exhibits robust generalization capabilities and enables efficient inference, achieving over a million coalescence predictions in mere minutes. Additionally, the model provides a well-calibrated approximate posterior distribution for its predictions, facilitating principled uncertainty quantification. This work represents a significant step towards developing a foundational model for population genetics, effectively integrating deep learning techniques with coalescent theory to enhance the scalability and flexibility of genealogical history inference from genomic data.
Introduction
The introduction of this research paper discusses the Ancestral Recombination Graph (ARG), a complex structure that represents the stochastic process of genetic lineages tracing back to common ancestors. It highlights the significance of mutations along these genealogical branches, which provide insights into the hidden ARG and allow for the inference of genomic topologies and the timing of coalescent events. Recent advancements in population genetics have improved our ability to reconstruct whole genome genealogies, with methods evolving from early Markov chain simulations to more sophisticated approaches like the sequentially Markovian coalescent (SMC) and simulation-based inference techniques such as approximate Bayesian computation (ABC).
The paper introduces a novel transformer-based model, referred to as cxt, designed for predicting pairwise times to the most recent common ancestor (TMRCA). Unlike traditional DNA language models, cxt utilizes synthetic data from population genetic simulations to perform next-coalescence prediction, effectively linking observed mutation patterns to genealogical structures. The authors emphasize the model’s extensibility and robustness, demonstrating its state-of-the-art performance in inferring coalescence times across recombining chromosomes, particularly when applied to human genomic variation data. The findings suggest that cxt not only excels in accuracy and generalization across diverse simulations but also provides a powerful tool for understanding complex demographic scenarios in population genetics.
Methods
In this section, the authors present a comprehensive overview of the methodologies employed in their study. They begin by introducing the concept of next-coalescence prediction, which serves as the foundational framework for their analysis. Following this, they detail the parameterization of coalescent simulations and the formatting of mutational data, ensuring it is appropriately structured for input into their neural network.
The architecture of the network is based on the GPT-2 decoder-only model, which is adapted to meet the specific needs of their research. Lastly, the authors outline the various experiments conducted to benchmark their method, aligning with the objectives set forth in the study. This systematic approach underscores the rigor of their methodology and the innovative application of existing models to new research questions.
Results
In this section, the authors present a conceptual framework that integrates general language modeling with population genetics, establishing a next-coalescence prediction task that parallels SMC-based coalescent modeling. They benchmark the accuracy of their model, referred to as cxt, against existing fast inference methods, specifically Singer and Gamma-SMC, as detailed in recent studies (Deng, Nielsen, and Yun S. Song 2024; Schweiger and Durbin 2023).
The model’s performance is further evaluated using the nearly complete stdpopsim v0.2 and v0.3 catalogs, which encompass a variety of species, demographic scenarios, and genetic maps, while excluding bacteria and two species with extreme recombination rates. The authors assess the global accuracy of Time to Most Recent Common Ancestor (TMRCA) predictions by comparing true coalescence rates with those estimated through simulations. Additionally, cxt is applied to real genomic data from the 1000 Genomes Project, where coalescent times are estimated across two chromosomes using haploid sequences from individuals of British ancestry.
Discussion
In this study, the authors present cxt, a decoder-only transformer architecture specifically designed for inferring local coalescence times from mutation patterns in recombining genomes. By projecting continuous mutation densities into a latent space and employing rotary positional embeddings to encode genomic distances, cxt effectively captures the stochastic nature of evolutionary processes. The model is trained using a next-coalescence prediction objective, allowing it to autoregressively predict discretized coalescent times based on local mutational contexts. Benchmarking against existing methods demonstrates cxt’s superior performance, achieving lower mean squared errors (MSE) in various demographic scenarios, including those not included in its training set. Fine-tuning further enhances its accuracy, showcasing its adaptability and robustness.
The authors also explore cxt’s generalization capabilities across different parameter regimes, revealing its ability to interpolate and extrapolate beyond the training data manifold. Calibration of approximate posteriors indicates that cxt provides reliable uncertainty estimates for coalescence time predictions. Additionally, the model successfully estimates effective population size trajectories from simulated data, aligning closely with true rates. When applied to real-world data from the 1000 Genomes project, cxt demonstrates its efficacy in estimating coalescent times, revealing significant evolutionary insights, particularly in regions of adaptive evolution. Overall, cxt represents a significant advancement in population genetics, combining the strengths of language modeling with coalescent theory to offer a flexible and efficient framework for evolutionary inference.