当前位置：首页 > news >正文

群体基因组学基础：等位基因频谱、群体分化、选择信号检测

news 2026/3/27 7:03:21

点击“AladdinEdu，你的AI学习实践工作坊”，注册即送-H卡级别算力，沉浸式云原生集成开发环境，80G大显存多卡并行，按量弹性计费，教育用户更享超低价。

摘要：群体基因组学通过分析群体内和群体间的遗传变异模式，揭示进化过程、适应机制和疾病易感性的遗传基础。本文系统阐述群体基因组学的三大核心分析框架：等位基因频谱（SFS）描述群体内遗传变异的多态性分布；群体分化指标（Fst、PBS等）量化群体间的遗传差异；选择信号检测（Tajima’s D、iHS、XP-CLR等）识别基因组中受自然选择的区域。从理论基础、计算方法到实践应用，全面解析各指标的原理、统计特性和适用场景，并结合软件工具（PLINK、vcftools、ANGSD、selscan）提供分析流程示例。通过本文，读者可掌握群体基因组学分析的核心方法与工具链。

关键词：群体基因组学；等位基因频谱；群体分化；Fst；选择信号；进化遗传学

1. 引言

群体基因组学（Population Genomics）是将群体遗传学理论应用于全基因组尺度数据，研究群体内遗传变异的分布、群体间的分化以及自然选择对基因组的影响。随着高通量测序技术的普及，人类群体基因组学在揭示人类起源、迁徙、适应性进化和疾病易感性方面取得了巨大进展。

群体基因组学的核心分析框架包括三个层次：

等位基因频谱（Site Frequency Spectrum, SFS）：描述群体内遗传多态性的基本特征，是群体历史推断的基础。
群体分化（Population Differentiation）：量化群体间遗传差异的指标，如Fst，用于识别分化区域。
选择信号检测（Selection Signature）：通过分析基因组中变异模式，识别受自然选择的区域，揭示适应性进化的分子基础。

本文将从理论基础出发，详细介绍这三类分析方法的原理、计算方法和实践应用，帮助读者建立系统的群体基因组学分析能力。

2. 群体遗传学理论基础

2.1 哈代-温伯格平衡

哈代-温伯格平衡（Hardy-Weinberg Equilibrium, HWE）是群体遗传学的基础。对于一个常染色体二倍体位点，若群体符合理想条件（无限大、随机交配、无突变、无迁移、无选择），则基因型频率在世代间保持不变：

等位基因频率：p和q（p+q=1）
基因型频率：p² (AA) + 2pq (Aa) + q² (aa)

HWE偏离可能提示群体分层、近亲繁殖、选择或基因分型错误，是GWAS质量控制的重要指标。

2.2 群体遗传学参数

核苷酸多样性（π）：两两序列间平均差异数，衡量群体内多态性水平。
Watson’s θ：基于分离位点数的群体突变参数估计，θ = 4Neμ（常染色体）或2Neμ（性染色体）。
Tajima’s D：标准化后的π与θ的差异，用于检验中性进化。

3. 等位基因频谱（Site Frequency Spectrum）

3.1 定义与计算

等位基因频谱（SFS）描述群体中所有多态性位点，其衍生等位基因（derived allele）在样本中的频率分布。对于n个二倍体个体，衍生等位基因计数范围为1到2n-1。SFS通常表示为向量S = (s₁, s₂, …, s_{2n-1})，其中s_i表示衍生等位基因频率为i的位点数。

衍生等位基因的确定：需要外群（outgroup）物种或祖先状态信息来确定等位基因的衍生状态。

3.2 群体历史与SFS形状

SFS的形状与群体历史密切相关：

恒定大小群体：SFS呈L形，大部分变异为稀有等位基因（频率低）。
群体扩张：稀有等位基因比例更高，SFS左偏。
群体瓶颈：中等频率等位基因比例增加，SFS相对平坦。
群体收缩：稀有等位基因减少，SFS右偏。

3.3 计算方法

3.3.1 基于VCF计算

使用vcftools或PLINK计算等位基因频率：

# 计算每个位点的等位基因频率vcftools--vcfinput.vcf--freq--outoutput

使用自定义脚本（如Python）从频率表中构建SFS。

4. 群体分化指标

4.1 Fst：群体分化经典指标

Fst（Fixation Index）是衡量群体间遗传差异最常用的指标，由Wright（1931）提出。Fst定义为群体间遗传变异占总遗传变异的比例：

Fst = (H_T - H_S) / H_T

其中，H_T为总群体的期望杂合度，H_S为子群体的平均期望杂合度。Fst范围0-1：

Fst≈0：群体间无分化
Fst≈0.05-0.15：中度分化
Fst>0.25：高度分化

4.1.1 计算方法

Weir & Cockerham（1984）无偏估计：最常用的Fst计算方法，通过方差分析（ANOVA）估计，考虑样本量差异。
基于等位基因频率的Fst：Fst = (p̄(1-p̄) - Σw_i p_i(1-p_i)) / p̄(1-p̄)，其中p̄为加权平均频率。

4.1.2 软件实现

# vcftoolsvcftools--vcfinput.vcf --weir-fst-pop pop1.txt --weir-fst-pop pop2.txt--outfst_result# PLINKplink--bfiledata--fst--withinpop_file.txt--outfst_result

4.2 其他分化指标

PBS（Population Branch Statistic）：基于三个群体的Fst矩阵，计算某群体相对于另外两个群体的分支长度，用于识别特定群体中的选择信号。
```
PBS = (T_AB + T_AC - T_BC)/2
```
dxy：群体间平均碱基差异数，对群体规模不敏感，与Fst互补。
Φst：基于单倍型或等位基因频率的Fst扩展。

5. 选择信号检测

5.1 自然选择类型

正选择（Positive Selection）：有利变异频率快速上升，导致群体多态性降低，产生高分化区域。
平衡选择（Balancing Selection）：杂合子优势维持多态性，导致等位基因频率居中，分化程度降低。
净化选择（Purifying Selection）：有害变异被清除，群体内保守区域多态性低。

5.2 基于群体内多态性的方法

5.2.1 Tajima’s D

Tajima’s D（1989）比较两种群体突变参数估计值：π（两两差异均值）和θ（基于分离位点数）。中性条件下D≈0。

D>0：中等频率等位基因过多，提示群体收缩或平衡选择。
D<0：稀有等位基因过多，提示群体扩张或正选择（快速清除稀有变异）。

计算：

vcftools--vcfinput.vcf--TajimaD10000--outtajima

5.2.2 Fay and Wu’s H

比较π与θ_H（基于衍生等位基因频率），负值提示近期正选择或群体扩张。

5.2.3 其他中性检验

Fu and Li’s D/F：考虑稀有变异和派生变异。
Zeng’s E：对近期选择更敏感。

5.3 基于群体分化的方法

5.3.1 Fst异常值

高Fst区域可能为选择位点，可通过滑动窗口计算Fst，识别异常高值区域。

5.3.2 XP-CLR（Cross Population Composite Likelihood Ratio）

比较两个群体等位基因频率差异的复合似然比方法，对不完全选择性清除敏感。适用于检测群体特异性正选择。

软件：XP-CLR

5.3.3 PBS（Population Branch Statistic）

基于三群体的Fst矩阵，计算某群体在进化树上的分支长度。高PBS值提示该群体可能经历了选择。

5.4 基于单倍型结构的方法

5.4.1 iHS（Integrated Haplotype Score）

基于单倍型纯合性（EHH），比较衍生等位基因和祖先等位基因的EHH衰减。iHS绝对值大（|iHS|>2）提示近期正选择。

计算：selscan --ihs --vcf input.vcf --out ihs

5.4.2 nSL（nucleotide Site-based Likelihood）

iHS的扩展，适用于更广泛的群体。

5.4.3 XP-EHH（Cross Population Extended Haplotype Homozygosity）

比较两个群体间的EHH，检测群体特异性选择。

计算：selscan --xpehh --vcf input.vcf --vcf-ref ref.vcf --out xpehh

5.5 基于等位基因频率谱的方法

5.5.1 CLR（Composite Likelihood Ratio）

如SweepFinder、SweeD，基于SFS的复合似然比，检测选择清除。

5.5.2 机器学习方法

如SELENIUM、SWIF®，整合多特征预测选择区域。

5.6 方法选择指南

方法	数据要求	检测选择类型	时间尺度	优点	局限
Tajima’s D	单群体WGS	正选择/平衡选择	中等	简单快速	混淆群体历史
Fst	多群体WGS	正选择	中等	直观	需多群体
iHS	单群体WGS	近期正选择	近期	对近全选择敏感	需高密度SNP
XP-EHH	双群体WGS	群体特异性选择	近期	群体比较	需外群
XP-CLR	双群体WGS	正选择	近-中期	灵敏度高	需等位基因频率
SweepFinder	单群体WGS	近期正选择	近期	基于SFS	依赖模型假设

6. 综合分析流程

6.1 数据准备

输入：VCF格式的群体基因型数据
样本分组：根据群体信息建立分组文件
质控：SNP缺失率<5%，MAF>1%（选择信号检测通常保留低频变异），HWE P>1×10⁻⁶（非病例对照）

6.2 等位基因频谱分析

# 计算单群体SFSvcftools--vcfpop1.vcf--freq--outpop1_freq# 使用R或Python构建SFS

6.3 群体分化分析

# 滑动窗口Fstvcftools--vcfall.vcf --weir-fst-pop pop1.txt --weir-fst-pop pop2.txt --fst-window-size100000--fst-window-step20000--outfst_windows

6.4 选择信号检测

# Tajima's Dvcftools--vcfpop1.vcf--TajimaD100000--outtajima# iHSselscan--ihs--vcfpop1.vcf--outihs--threads4# XP-EHH（需要两个群体VCF）selscan--xpehh--vcfpop1.vcf --vcf-ref pop2.vcf--outxpehh