Desde a origem do homem moderno na África, muita coisa mudou na dinâmica populacional. O deslocamento não era tão fácil como nos dias atuais, de modo que, no passado, as populações costumavam permanecer isoladas e com pouco fluxo gênico (migração de um indivíduo de uma população para outra). Esse fato, somado à evolução, fez com que as populações antigas se tornassem geneticamente distintas entre si, já que variações genéticas permaneciam confinadas em um determinado espaço geográfico, sendo herdadas apenas por indivíduos da mesma região. Esta dinâmica se manteve intacta por muito tempo, e algumas populações atuais ainda apresentam um perfil genético muito característico – principalmente aquelas localizadas em regiões geograficamente isoladas.

Existem regiões do DNA que se alteraram mais que outras no decorrer de gerações e costumam ser utilizadas como marcadores genéticos. No caso do teste de ancestralidade, analisamos SNPs (sigla em inglês para “Polimorfismo de Nucleotídeo Único”). Estes marcadores em específico consistem em mutações de apenas um nucleotídeo, ou seja, em um dos quatro tipos de molécula que compõem o DNA, representadas pelas letras A, T, C e G. Portanto, um SNP é uma variação de um par de letras da sequência genética.

Por exemplo, algumas pessoas podem ter uma sequência ATTC, enquanto outras têm AGTC. Essa troca da letra T por G é um SNP. Por possuírem uma taxa de mutação muito baixa, a troca de letrinhas é considerada um evento raro e que demora muito para ter uma frequência considerável nas populações. O conjunto das frequências populacionais de milhares de SNPs nos dá um perfil genético para cada população.

O Brasil, por ter recebido a entrada de muitos imigrantes em pouco tempo, apresenta um perfil genético bastante variado, composto principalmente por europeus, africanos e ameríndios.

Em muitos casos, uma região geográfica é composta por populações diferentes entre si, mas similares a outras de outros locais do globo, o que reflete as migrações, invasões, diásporas e colonizações sofridas ao longo da história. É importante que essas regiões utilizadas no banco sejam suficientemente diferentes entre si para que a comparação seja válida.

O gráfico abaixo mostra o perfil genético de sete grupos populacionais principais (África, América, Ásia, Europa, Oceania e Oriente Médio), dos quais fazem parte as 107 regiões e sub-regiões. Por se tratar de populações geograficamente distantes, os perfis acabam sendo bastante distintos entre si, o que é representado pelos agrupamentos observados no gráfico abaixo.

As regiões e sub-regiões que compõem cada grupo do nosso teste estão descritas abaixo:

Ao definir as populações e regiões, também foi considerada a história particular da composição alélica da população brasileira. Isso significa que tomamos um cuidado especial ao definir as populações ameríndias, de modo que conseguimos dividi-las em seis grupos e quatro subgrupos: Tupi (Tupi Mondé e Tupi Ariquém), Amazônia, América Andina (Lago Titicaca e Região Central dos Andes), Patagônia, América Central e América do Norte). O mesmo pode ser dito sobre as populações africanas. Isso faz com que nosso teste traga uma carga de informações mais rica para o brasileiro, sendo possível ir mais a fundo na ancestralidade africana e indígena.

As sub-regiões de cada local apresentam um resultado qualitativo da ancestralidade de uma pessoa, diferente das regiões, que apresentam valores quantitativos. O resultado qualitativo serve para informar, dentro de cada região, qual é o local mais provável de origem do DNA detectado.

A partir das frequências alélicas de cada SNP para cada uma das populações, calculamos, pelo método de máxima verossimilhança, a composição ancestral mais provável do DNA do indivíduo analisado. Nesta abordagem, presume-se uma distribuição multinomial e busca-se a combinação de populações que melhor explique o genótipo do indivíduo. Além disso, utilizando modelos de machine learning, ajustamos a ancestralidade e calculamos os valores de ancestralidade dos grupos mais específicos. Para mais detalhes, ver em apêndice para nerds.

A fim de investigar a eficiência da calculadora de ancestralidade, conduziu-se uma amostragem estratificada de cada população, resultando em um total de 1530 indivíduos de ancestralidade conhecida e que foram utilizados para avaliar as métricas de precisão e sensibilidade do método. A precisão resume o quanto o método é assertivo ao indicar a maior ancestralidade, ao passo que a sensibilidade indica a proporção da maior ancestralidade assinalada corretamente pelo método, considerando os indivíduos de determinada ancestralidade. Em outras palavras, a precisão responde à pergunta:

“Quando o método atribui a maior ancestralidade à população X, com que frequência esta atribuição, de fato, reflete a população X?”

Já a métrica de sensibilidade busca responder o seguinte:

“Das amostras oriundas da população X, com que frequência o método, corretamente, atribui a maior ancestralidade dessas amostras à população X?”

Por exemplo, na tabela 1, verificamos que o método resulta em 99% de sensibilidade para os indivíduos pertencentes ao grupo “América Andina”, ou seja, o mesmo indica corretamente que a maior proporção de ancestralidade dos indivíduos é de fato dessa região. Em contrapartida, para o mesmo grupo, verificamos 93,0% de precisão, revelando que 7,0% dos casos, analisados como se fossem majoritariamente da América Andina, têm outra região de origem como predominante. Essa região de origem, geralmente, corresponde a outras populações que são geneticamente semelhantes, como outros grupos populacionais nativos da América, no caso da população andina.

Em geral, existe um efeito perde-e-ganha entre as métricas de precisão e sensibilidade. Comumente, sistemas com alta precisão serão bastante cautelosos ao indicar a maior ancestralidade. Um possível efeito disso seria um menor valor de sensibilidade, uma vez que o maior restringimento poderia resultar em uma maior quantidade de falsos-negativos. Nossa metodologia foi capaz de assinalar com alta precisão e sensibilidade a ancestralidade esperada dos indivíduos analisados.

Deve-se sempre ter em mente que as proporções obtidas referem-se ao conjunto de populações investigadas. Assim, um resultado indicando uma proporção maior de um determinado grupo indica que a maior parte do seu DNA é condizente com o perfil observado para esse determinado grupo. Logo, em algum momento na história, algum ancestral dessa determinada região provavelmente ingressou na sua linhagem familiar.

É importante destacar que esses valores refletem que seu DNA é parecido com o DNA dos indivíduos amostrados para determinada região. De fato, é a partir deles que predizemos o perfil genético de cada grupo utilizado para os cálculos de admixture – isto é, a mistura genética de diferentes populações. Por exemplo, é de se esperar que indivíduos do continente americano sejam um reflexo da mistura de ameríndios, europeus, africanos e de povos do Oriente Médio e judaico, conforme indicado pela história dos últimos 500 anos.

Como funciona a estimativa por máxima verossimilhança (maximum likelihood estimation – MLE)?

Como funciona a estimativa por máxima verossimilhança (maximum likelihood estimation – MLE)?

Quando analisamos o DNA, não sabemos de antemão quais grupos populacionais influenciaram em sua composição. Para cada SNP analisado, obtemos como resultado apenas um par de letras, cada uma herdada a partir de um dos genitores. A essas letras (A, T, C ou G), dá-se o nome de alelos. A frequência de cada alelo em cada SNP varia de população para população, de modo que podemos utilizar dessa informação para predizer a que região uma determinada fração do DNA mais provavelmente estaria associada. Por exemplo, se o alelo A para um determinado SNP é mais comum em pessoas de origem árabe e o indivíduo analisado é genotipado como AA para esse SNP, então presumimos que deve haver uma maior chance de o mesmo ter ancestralidade árabe.

Contudo, um único SNP, por si só, não traz informações suficientes para realizarmos a distinção entre grupos populacionais. É por isso que analisamos milhares de SNPs, relacionando o genótipo do indivíduo com a frequência dos alelos de cada população. A indicação da composição ancestral de um indivíduo é obtida através de um algoritmo desenvolvido a partir do método da máxima verossimilhança (maximum likelihood estimation – ou MLE). Por meio dele, calculamos o grau de similaridade do seu DNA com o perfil alélico de 40 regiões geográficas e indicamos a proporção de ancestralidade de cada região.

O objetivo do método de máxima verossimilhança é encontrar a distribuição de probabilidade que melhor se encaixe a um conjunto de dados observados. Para isso, os parâmetros dessas distribuições são ajustados até que passem a refletir o comportamento observado dos dados. Tal ajuste é computado a partir do cálculo da probabilidade de os dados pertencerem a uma determinada distribuição para valores específicos de parâmetros testados. O conjunto de parâmetros mais adequados é, portanto, o resultado da maximização do cálculo dessas probabilidades através de métodos numéricos de otimização.

Na figura 1, ilustramos um exemplo do funcionamento do método. O conjunto de dados está representado pelas posições das bolas azuis sobre a linha horizontal, e as linhas, em roxo, são as curvas que representam diferentes tentativas de distribuições de probabilidade (A, B, C e D) para representar os dados. As linhas pontilhadas, projetadas sobre a linha horizontal, representam o valor de média (𝛍) daquela distribuição de probabilidade, e a altura de cada pedaço da curva representa a densidade de pontos que se espera naquela região. Em A, testou-se uma distribuição exponencial para explicar o conjunto de dados, porém nota-se que ela não é fiel ao comportamento dos mesmos – para que esse tipo de distribuição fosse adequado, as bolas deveriam estar mais concentradas na parte esquerda do eixo horizontal, com algumas poucas espaçadas à direita. Em B, C e D, testaram-se distribuições normais com diferentes valores de média e desvio-padrão (𝞂). Dentre estas, é visível que a distribuição D é a que melhor se adequa aos dados (matematicamente, a probabilidade de ajuste dos dados à curva é máxima em D).

Para o cálculo da composição de ancestralidade, em específico, buscamos ajustar os dados genotípicos do indivíduo a uma distribuição multinomial. Neste caso, o conjunto de parâmetros obtidos com o método reflete a proporção da contribuição de cada grupo populacional ao indivíduo analisado.

O ajuste da ancestralidade é feito com base em algoritmos de machine learning. Treinamos uma série de modelos de que são usados para fazer um ajuste fino na composição de ancestralidade em conjunto com o método de máxima verossimilhança.

O cálculo de ancestralidade das sub-regiões é feito com modelos de machine learning para cada uma das regiões que podem ser subdivididas (Tabela de Populações Genera). Esse resultado é apresentado com base em uma escala de 1 a 5, sendo que quanto maior é esse valor, maior é a probabilidade de a sub-região explicar a ancestralidade encontrada nas etapas anteriores.