编辑推荐：
本文介绍 PANE 方法评估混合个体祖先成分，在多场景准确高效，助力人类遗传研究。
### 背景
人类种群历史深受过去混合事件的影响，这些事件对当今观察到的遗传变异模式意义重大。众多跨学科研究表明，几乎所有人类种群在历史上都有复杂的互动，包括迁移和混合，这些互动导致了遗传物质的转移，产生了新的种群。鉴于此，许多算法致力于推断混合种群的遗传组成，且研究发现使用定相基因型数据能更好地描述遗传种群结构。
不过，现有方法在处理低覆盖度古代 DNA（aDNA）数据时往往存在局限。虽然插补法可通过推断缺失的单核苷酸多态性（SNP）来增加样本信息，但准确性依赖于样本数据质量和参考面板特性。qpAdm 是分析古代数据常用的方法，它能处理 aDNA 分析中常见的假单倍体基因型，并模拟涉及多个来源的混合事件，但筛选混合事件的潜在来源和合适种群的过程繁琐，且存在较高的假发现率。此外，还有一种基于非负最小二乘法（NNLS）处理 f4 统计量矩阵的方法，应用相对较少。主成分分析（PCA）在种群遗传学中广泛用于量化种群或个体间的遗传亲和力，F 统计量与 PCA 存在几何关系，理论上可利用 PC 坐标推断目标种群的混合比例，基于此，研究提出了 PANE（Principal component Ancestry using NNLS Estimation）方法，旨在借助 PCA 和 NNLS 评估混合个体的祖先组成。
PANE 方法介绍
PANE 的基本原理是利用 PCA 和 NNLS 评估混合个体的祖先成分。在该方法中，PCA 空间应基于高质量、低缺失度的数据构建，如现代序列数据、高覆盖度数据或插补后的古代基因型数据。其核心在于利用混合样本和假定来源在 PC 空间中的相对坐标，通过 NNLS 总结目标的祖先比例。需要注意的是，构建 PC 空间的群体需能描述感兴趣种群之间的遗传差异，否则会影响 PANE 的效率。
实验设计
- 模拟数据集：为全面测试 PANE 的性能，研究人员精心构建了多种模拟数据集。首先是无缺失基因型的模拟数据集，包含 20 个未混合和 16 个混合种群。这些混合种群由两个或三个来源混合而成，次要来源的贡献比例在 5% - 40% 之间，且混合来源涵盖了从高度分化到密切相关的种群，两两种群间的 Fst 值在 0.01 - 0.23 之间，还模拟了瓶颈事件。此外，针对每个真实来源，都设置了一个 3 千年前分裂的姐妹群体作为代理来源。其次是模拟古代（假单倍体）数据，通过引入不同程度的缺失数据（缺失率从 10% - 50% 不等）以及创建假单倍体基因型来模拟 aDNA 数据的质量，最终得到不同 SNP 数量的数据集。
- 真实数据集：使用的真实数据集来源广泛且经过多步筛选。从 1240K + HO 数据集（version V52.2）出发，依据 Aneli 等人的方法，筛选出符合特定条件的古代和现代样本。古代样本需来自西欧亚国家，现代样本则选取特定区域且排除部分群体，经过多次筛选和合并其他已发表数据集的样本，最终得到包含 4740 个古代样本和 1668 个现代样本、206,363 个 SNP 的真实数据集。
- 对比方法：为评估 PANE 的性能，研究选取了 qpAdm、Rye 和 Unlinked - ChromoPainter NNLS 作为对比方法。qpAdm 利用预计算的 f2 统计量评估混合种群的祖先成分和相对比例；Rye 通过自定义 R 脚本转换 smartpca 的 PCA 输出结果进行分析；ChromoPainter 则使用 unlinked 模型，为每个 SNP 分配分数来推断种群结构。
实验结果
- PANE 在模拟数据上的表现
- 无缺失基因型模拟数据：在基于种群的方法中，对于 16 个模拟混合种群，PANE 能成功将主要祖先成分准确分配到真实来源，最大误差为 0.014，最大标准误差为 0.012。在个体层面分析时，不同混合比例和来源分化时间的种群平均误差有所差异，70 - 30% 混合的种群，若混合来源分裂时间超过 9 千年，平均误差低于 0.029，若分裂时间小于等于 9 千年，误差增加到 0.038；较低来源贡献的种群平均误差最大为 0.022；三向混合种群误差相对较高，部分个体对主要来源的分配贡献估计误差超过 0.05，但仅有 1 个个体误差大于 0.1。在使用代理来源的测试中，PANE 能识别所有 16 个测试种群的真实来源代理，对于双向混合种群，平均误差为 0.033，误差在混合来源种群遗传相似性较高时会增大，但未超过 0.057；三向混合种群最大误差为 0.031。在个体层面，PANE 能正确分配双向 70 - 30% 混合个体的祖先比例，但对于次要来源贡献为 10% 和 5% 的种群，次要来源贡献常被低估或完全忽略。
- 假单倍体模拟数据：使用假单倍体模拟数据测试时，即使目标和来源样本为假单倍体且包含缺失基因型，PANE 仍能正确检测出最接近的混合来源，平均分配误差最大为 0.033，通常能识别真实来源并为其他来源分配少量额外成分，最大为 0.004，标准误差也较低，最大为 0.017。不过，尽管平均误差低，但单个样本的最大误差可达 0.248，主要是由于错误分配到与来源最密切相关的群体。
- 有限参考遗传变异可用性模拟数据：在仅使用代理来源而非真实来源的场景下，研究聚焦于基于种群的方法。结果显示，对于来源分歧超过 24 千年的群体，误差估计低于 0.043；来源在 24 千年分裂的群体，误差增加到 0.11；而来源更接近的群体，误差估计在 0.16 - 0.58 之间，标准误差估计也呈现类似趋势。
- 遗传漂变对 PANE 推断的影响：评估遗传漂变对 PANE 推断的影响时发现，遗传漂变会降低推断的可靠性，其影响程度与分裂后经过的时间成正比。在个体层面分析中，PANE 处理 500 代前混合的种群时，最大误差为 0.15；在种群平均层面，误差为 0.12。
- PANE 与现有工具的比较：将 PANE 与 qpAdm、Rye 和 ChromoPainter NNLS 进行比较，结果表明 PANE 在估计祖先比例的准确性上与其他方法相似，与 qpAdm、Rye 的相关性均高于 0.95。但在处理亚大陆混合的种群时，四种方法的准确性均有所下降。在计算速度方面，PANE 表现出色，处理 100 个个体的计算时间为 454 秒（SD = 5 秒），而 Rye 为 575 秒（SD = 14.1 秒），qpAdm 为 2011 秒（SD = 22.399 秒），ChromoPainter 则长达 156 分钟 23 秒（9383 秒，SD = 1148 秒）。
- PANE 在真实数据上的表现：使用古代欧亚种群的真实数据集测试 PANE，将 1380 个古代个体投影到由 1668 个现代个体推断出的前 10 个主成分上，以 5 个假定来源进行分析。结果显示，PANE 捕获的祖先成分与原始论文中的 F4admix 结果显著相关（R = 0.92，p < 0.0001），证实了其在真实场景中的可靠性。进一步分析特定地理区域和时间跨度的个体祖先组成，发现了许多有意义的遗传现象，如安纳托利亚地区 3000 年前左右高加索 / 黎凡特血统增加，当地安纳托利亚血统随后减少；5000 年前左右 CHG 相关血统引入草原种群；爱琴海青铜时代种群中 CHG 血统的代表性低于 EHG 血统，暗示新石器时代后该地区存在显著的基因流动等。不过，PANE 与 F4admix 的推断结果仍存在一些差异，在 6750 个估计中，有 273 个高度不一致的估计（HDE），涉及不同祖先成分的估计差异，可能与样本缺失率、参考面板等因素有关。此外，使用 PANE 测试英国农民 WHG 血统来源的假设，证实了英国和伊比利亚新石器时代样本的 WHG 比例相似，表明它们有共同的 WHG 来源；在东南亚种群分析中，PANE 与 qpAdm 的估计结果在多数情况下相似，仅 AN 和 Ganj Dareh Neolithic 的比例估计存在差异；使用 PANE 模拟现代人类与古人类的混合，能检测到不同地区古人类血统的存在情况。
讨论
PANE 作为一种基于 PCA 和 NNLS 的全球祖先探索方法，能够准确估计混合群体或单个样本的祖先比例。该方法的优势在于可利用整个 PC 空间，能处理多种场景，且在大多数测试场景中表现出高准确性，即使处理含有缺失变异的假单倍体数据时，最大分配误差也仅为 3%。与其他全球祖先分配工具相比，PANE 运行速度更快，准确性相当或更高，且无需内群或外群，基于用户定义的祖先来源进行简单直接的估计。
然而，PANE 也存在一定的局限性。该方法依赖于目标群体是混合群体的假设，若目标群体因其他人口统计学因素（如距离隔离、遗传漂变）落在 PC 空间的特定区域，可能会影响分配准确性。此外，PCA 易受多种偏差影响，如种群间样本量差异、确定偏差、SNP 间连锁不平衡、数据缺失等，这些偏差会扭曲 PC 空间，导致 PANE 无法区分不同的进化模型，因此不能将其作为混合事件的正式测试工具，而应与其他分析方法（如 F3 混合统计或 LD 衰减方法）结合使用，以进一步验证混合事件。
结论
PANE 是一种强大且灵活的工具，为分析个体和混合种群的祖先比例提供了更快速、精确的选择。借助 PCA 和 NNLS 的联合使用，它能有效处理包括数据不完整在内的多种情况。尽管遗传漂变可能会影响其祖先推断的准确性，但在大规模基因组数据集的特征描述方面，PANE 仍然具有重要价值，可广泛应用于补充更具体的分析，为深入理解人类种群的遗传复杂性提供有力支持。
