基于k-mer的Y染色体单倍群预测新方法Y-mer：从超低深度测序数据中解析人类父系遗传谱系

研究人员针对超低深度测序数据（ulcWGS）中Y染色体单倍群（HG）预测的难题，开发了基于k-mer的Y-mer方法。通过分析数百万个25-mer特征，该方法在0.001×测序深度下仍保持>95%准确率，成功应用于古DNA（aDNA）和无创产前筛查（NIPS）数据，为法医学和群体遗传学研究提供了新工具。

　　

人类Y染色体因其复杂的重复序列结构，曾是基因组测序的最后"堡垒"。尽管近年来端粒到端粒（T2T）测序技术已实现Y染色体完整组装，但其长度变异（如Yq12区域可达两倍差异）和单倍群特异性结构变异仍给遗传分析带来挑战。传统SNV（单核苷酸变异）方法在超低深度测序数据（<0.1×）中表现不佳，而基于捕获的富集技术对高度降解的古代DNA（aDNA）或法医样本往往不适用。这一技术瓶颈严重限制了从珍贵样本中获取父系遗传信息的能力，例如在追溯欧亚草原带古代人群迁徙、或分析孕妇外周血中胎儿游离DNA（cfDNA）时面临困难。

针对这一难题，来自塔尔图大学（University of Tartu）和鲁汶大学的研究团队开发了创新工具Y-mer。该方法通过量化Y染色体特异性k-mer（25碱基序列）的丰度模式，在0.001×超低测序深度下仍能准确预测单倍群，相关成果发表于《Genome Biology》。研究人员构建了多层级预测模型：全球尺度模型（M21W）区分11个基础单倍群，欧洲特异性模型（M213E）解析22个亚分支，东北欧模型（M222NE）进一步细化23个近期分化谱系。关键发现包括：1）使用21个T2T组装Y染色体作为k-mer源即可达到>95%准确率；2）每个单倍群需20,000-50,000个特征k-mer；3）在30%污染率的模拟数据中仍保持稳健性。

关键技术方法包括：1）从21个长读长T2T组装（Hallast et al.数据）和222个短读长基因组（1000GP/EstBB队列）提取14M个25-mer；2）通过Mann-Whitney检验筛选单倍群特异性k-mer；3）建立距离模型比较测试样本与参考集的k-mer频率差异；4）使用110例独立样本（V110）进行验证，涵盖11个基础单倍群；5）在古丹麦Steppe人群（n=91）和中国/爱沙尼亚NIPS数据（n=441）中进行应用测试。

结果

多群体数据中的距离模型

通过比较不同k-mer源（1Y/21Y/110Y）的性能发现：基于单个Y染色体（HG002）的模型准确率仅65%，而21Y和110Y模型在0.001×深度时准确率均>95%。

k-mer数量优化

测试10K-100K k-mer/单倍群的模型显示：20K k-mer即可在>0.0005×深度保持稳定性能，增加至50K未显著提升准确率。

古DNA测试

在欧亚草原古代样本中，基础模型M21W准确率达94%，但区域模型M222NE对稀有分支（如C3、R1b16）存在误判。层级化策略（先基础单倍群再亚型）可将准确率提升至>80%。

NIPS数据应用

从0.0009×深度的中国cfDNA数据中成功预测单倍群频率谱，O2a2（ISOGG命名）频率与群体预期一致，证实方法在极低深度数据的实用性。

结论与意义

该研究突破性地证明k-mer丰度模式可替代传统SNV分析，实现超低深度数据的Y染色体谱系推断。提出的层级预测策略（全局→区域模型）有效平衡分辨率与准确性，特别适用于：1）古代样本中父系源流的快速筛查；2）法医混合样本的男性成分识别；3）NIPS中胎儿父系 ancestry 评估。未来通过整合着丝粒周边区域k-mer和泛基因组图谱，该方法有望扩展至常染色体 ancestry 分析。研究提供的开源工具包（GitHub/bioinfo-ut/Y-mer）和预训练模型（Zenodo.15089783）将推动相关领域方法学革新。