编辑推荐：
推荐
在古基因组学中，因古 DNA 质量低常致基因型数据缺失，影响主成分分析（PCA）可靠性。研究人员针对此，用模拟和真实数据系统探究缺失位点对 SmartPCA 投影的影响，开发概率框架量化不确定性，助力古人群研究透明化，具重要方法学意义。
论文解读
在探索人类演化的征程中，古基因组学借助古代 DNA 解码种群历史，而主成分分析（Principal Component Analysis, PCA）作为核心工具，通过降维直观呈现群体遗传结构与个体间的遗传关系。然而，古 DNA 因降解和低丰度常导致基因型数据稀疏，大量位点信息缺失（部分样本观测位点比例低于 1%），直接应用 PCA 面临挑战。主流软件 SmartPCA 虽能处理缺失数据实现投影，却无法量化投影不确定性，这使得基于稀疏数据的遗传关系解读可能存在过度自信的风险，制约了古人群遗传结构推断的可靠性与透明度。
为攻克这一难题，德国图宾根大学（University of Tübingen）的研究团队开展了系统性研究。他们聚焦缺失数据对 SmartPCA 投影的影响，通过模拟实验与真实数据分析，揭示数据稀疏性与投影偏差的关联，并开发概率模型量化不确定性，相关成果发表于《BMC Genomics》。该研究为古基因组学分析提供了关键方法学支撑，推动领域向更严谨的数据分析范式迈进。
主要技术方法
研究采用多维度技术策略：①数据来源上，基于 Allen 古代 DNA 资源库（AADR）的 West Eurasian 现代（1,433 人）与古代（6,627 人）样本，涵盖 597,573 个 SNP 位点，现代样本为 diploid 基因型，古代样本为 pseudo-haploid 基因型；②模拟实验中，对 15 个高覆盖度（缺失率 < 10%）古代样本进行随机位点剔除，模拟 0-99% 的缺失率，重复 20,000 次生成多组数据，通过 SmartPCA 投影评估偏差；③理论建模上，基于线性代数与方差传播原理，推导真实投影与估计投影差异的概率分布，假设差异服从高斯分布，并通过引入方差校正因子（fin、fout）适配古代样本的高变异性；④工具开发上，基于 Python 开发 TrustPCA 网页工具，实现不确定性估计与可视化。
研究结果
缺失数据对 SmartPCA 投影的影响
通过对 15 个高覆盖度古代样本的模拟实验发现，随着缺失率（r）增加，子集投影围绕参考投影的扩散显著增大。例如，当 r 从 20% 升至 99% 时，PC1 与 PC2 的差异分布宽度持续拓宽，但中位数始终为 0，表明缺失数据导致投影不确定性呈各向同性增加，且与样本在 PCA 空间中的位置无关。这证实了稀疏数据可能导致 SmartPCA 投影显著偏离真实位置，尤其在极端缺失（如 r>90%）时，偏差范围可达数十个单位，严重影响结果解读。
概率模型的可靠性验证
在现代样本验证中，通过随机剔除位点并计算差异分布，发现预测的高斯分布与经验分布高度吻合（Kullback-Leibler divergence 接近 0），验证了模型在同分布数据中的有效性。针对古代样本，由于 pseudo-haploid 基因型导致位点方差高于现代样本（平均方差因子 1.86），引入方差校正后，预测分布与经验分布的契合度显著提升，KL 散度大幅降低，表明模型通过适应性调整可准确刻画古代样本的投影不确定性。
真实数据中的应用演示
对 8 个不同时期（中石器时代至中世纪）、覆盖度差异显著的古代样本分析显示，高覆盖度样本（缺失率 < 30%）的不确定性椭圆狭窄，投影可信度高；而低覆盖度样本（缺失率≥96%）的椭圆显著扩张，甚至跨越多个现代群体区域，揭示其 ancestry 解读的潜在歧义。例如，覆盖度仅 2.1% 的中世纪样本投影不确定性范围广泛，而覆盖度 76.3% 的青铜时代样本则紧密聚集，直观展现了数据质量与结果可靠性的关联。
结论与讨论
本研究系统阐明了古基因组学中缺失数据对 SmartPCA 投影的定量影响，证实数据稀疏性是导致投影不确定性的核心因素，并通过概率框架实现了不确定性的科学量化。开发的 TrustPCA 工具为研究者提供了直观的分析平台，可在生成 PCA 投影的同时输出置信区间，显著提升了古基因组学分析的透明度与可重复性。
研究进一步指出，当古代样本与现代参考群体遗传差异较大（如尼安德特人）时，投影不确定性将显著增加，提示参考群体选择的重要性。尽管研究聚焦 West Eurasian 群体，但其方法论可为全球其他区域的古基因组研究提供借鉴。未来，结合基因型插补（imputation）不确定性与测序数据的概率建模，有望进一步完善 PCA 在古 DNA 分析中的应用，推动群体遗传学向更精准的方向发展。
该工作不仅解决了古基因组学中 PCA 应用的关键方法论瓶颈，也为后续基于 PCA 的群体历史推断（如 f - 统计量分析）提供了可靠性基础，标志着古人类遗传学研究在数据解读严谨性上的重要进步。
