《HGG Advances》:GrafAnc: Reliable and reproducible inference of continental and regional population structure
编辑推荐:
准确推断遗传祖先是群体遗传学、疾病关联研究及人类历史理解的基础步骤。然而,大多数现有工具(无论是基于模型还是无模型的)受限于特定数据集的特征,这限制了可重复性并阻碍了跨研究比较。此外,这些工具通常难以解析精细尺度的群体结构,需要多个处理步骤,如样本子集划分和程
准确推断遗传祖先是群体遗传学、疾病关联研究及人类历史理解的基础步骤。然而,大多数现有工具(无论是基于模型还是无模型的)受限于特定数据集的特征,这限制了可重复性并阻碍了跨研究比较。此外,这些工具通常难以解析精细尺度的群体结构,需要多个处理步骤,如样本子集划分和程序的重复执行。这些做法引入了偏差并降低了可复现性,在进化和迁移研究中尤为突出。研究人员提出了GrafAnc,这是一种鲁棒的祖先推断工具,可在不需要数据集划分、迭代处理或人工样本管理的情况下,同时在大陆和次大陆水平推断祖先。GrafAnc基于GRAF-pop构建并进行了扩展,通过比较个体基因型与来自公开数据库的26个参考群体的等位基因频率(AF)来推断个体的祖先背景。当前版本的GrafAnc为每个个体生成18个祖先评分,并将个体分类为8个大陆和38个次大陆祖先群体,包括中东和北非(MENA)。这些评分与研究数据集的具体组成无关,可直接用作连续协变量或用于祖先群体分配。GrafAnc实现了跨研究和数据集的群体结构的无缝整合,促进了大规模基因组学的一致解释。研究人员利用1000 Genomes Project(1KGP)、UK Biobank(UKBB)和Human Genome Diversity Project(HGDP)数据集对GrafAnc进行了基准测试,证明了其在不同祖先和基因分型平台上的准确性和鲁棒性。GrafAnc采用C++实现,支持多线程,并可免费获取。
GrafAnc:跨数据集可靠推断人类祖先结构的创新工具
在人类遗传学研究中,准确的遗传祖先推断不仅是解析群体历史与迁徙模式的关键,也是确保全基因组关联研究(GWAS)结果可靠性的基石。然而,长期以来,该领域面临着严峻的可重复性与精细尺度解析难题。传统的祖先推断方法主要分为基于模型的方法(如STRUCTURE、ADMIXTURE)和无参数方法(主要基于主成分分析,PCA)。前者通常需要预先设定祖先群体数量(K值),且计算复杂度高;后者虽无需预设K值,但其结果高度依赖于特定数据集的样本构成、样本量及变异集,导致不同研究间的聚类模式难以复现,即所谓的“可重复性危机”。特别是在进化与迁徙研究中,为了达到精细尺度的解析,研究者常需反复剔除“异常值”并重新运行分析,这种主观且依赖数据集的操作不仅引入了偏差,还可能导致重要群体结构的丢失。此外,现有的基于投影的PCA方法虽然试图解决可重复性问题,却面临收缩偏差(shrinkage bias)以及对参考数据集完整性和代表性的高度依赖。针对这些挑战,一项发表在《HGG Advances》的研究提出了GrafAnc工具,旨在通过一种不依赖数据集特性的计算方法,实现从大陆到次大陆层面的稳定、可重复的祖先推断。
为实现上述目标,研究人员开发了GrafAnc,其核心算法建立在GRAF-pop框架之上并加以扩展。研究选取了来自UKBB和1KGP的26个参考群体,构建了一个包含282,424个祖先信息性SNP(ancestry-informative SNP)的精选面板。关键技术方法包括:首先,通过全局距离评分(Global Distance Scores, GD)在大陆层面进行分类;其次,通过计算成对对比评分(Pairwise Contrast Scores)解析次大陆和洲际结构,该评分基于个体与参考群体对(如UKBB爱尔兰vs意大利)的相对相似性;第三,引入标准化程序以解决因个体间可用SNP子集不同而导致的评分不可比问题;最后,利用Mahalanobis距离(MD)进行异常值过滤,并结合UKBB、1KGP及HGDP的大规模样本队列对工具性能进行基准测试。
研究结果
核心算法与评分系统
GrafAnc通过计算两种类型的评分来实现多层次的祖先推断。全局距离评分利用欧洲(E)、非洲(F)和东亚(A)三个大陆参考群体定义的三角形(ΔEFA)将个体投影,从而实现大陆水平的分类。成对对比评分则进一步利用15对参考群体(如EU1对应UKBB爱尔兰vs意大利,AF1对应UKBB尼日利亚vs津巴布韦)计算个体与每对群体的遗传距离差异(Δd),通过公式Δd = (1/S) * Σ(gl* ln(pYl/pXl) + (2-gl) * ln((1-pYl)/(1-pXl)))量化个体相对于特定群体对的遗传倾向,从而解析更精细的群体结构。
成对对比评分的标准化
为了解决不同个体间因可用SNP集合(S)不同导致的Δd值不可比问题,研究人员设计了一套标准化流程。该流程利用预期遗传距离(EX, EY,基于完整的SNP集T计算)与观测遗传距离(OX, OY,基于个体可用SNP计算)的比值,将原始评分归一化至[-1, 1]区间。最终标准化评分Δd'i的计算公式为:Δd'i= -1 + 2 * ((Δdi- OX)/(OY- OX)) * ((EY- EX)/(EY- EX)),确保了评分在不同数据集间的可比性。
祖先信息性SNP的选择
为了确保工具的稳健性,研究人员对SNP集进行了严格筛选。起始于UKBB的784,256个常染色体变异,剔除了模糊的A/T和G/C变异以避免链对齐问题,并利用PLINK v1.90以r2阈值0.2进行连锁不平衡(LD)修剪,最终保留了间隔至少500个碱基对的SNP。通过评估SNP在1KGP五大超级群体(EUR, AFR, EAS, SAS, AMR)中的等位基因频率最大差值(Mdaf),剔除了Mdaf< 0.05的低信息量SNP,并通过与1KGP数据的等位基因频率比对验证了所选SNP的一致性。
参考群体的选择
参考群体主要源自UKBB基于出生国(COB)的数据。研究人员排除了样本量少于100或具有复杂混合血统的群体,并根据对人类遗传关系和迁移历史的先验知识,在六大洲际类别(AFR, EUR, EAS, SAS, MENA, AMR)中选取最具遗传对比度的群体对。例如,在欧洲(EUR)内部选择了芬兰、爱尔兰和意大利以捕捉南北梯度,而在东亚(EAS)则纳入了中国、日本、泰国等群体。
1KGP数据基准测试
在对1KGP数据集的评估中,GrafAnc的GD1和GD2评分有效区分了AFR、EUR和EAS三大群体。虽然南亚(SAS)和美洲原住民混合(AMR)群体在GD1-GD2空间中有所重叠,但通过GD1-IC1空间得以清晰分离。更重要的是,成对对比评分成功解析了次大陆结构:AF1-AF2空间清晰分离了尼日利亚、冈比亚、塞拉利昂及加勒比地区的非洲裔群体;EU1-EU2空间则将欧洲内部群体(如CEU与IBS)区分开来;而EA1-EA2空间成功将汉族与东南亚、东北亚群体区分。
UKBB数据基准测试
在包含488,377名个体的UKBB数据中,GrafAnc推断的祖先分组与自我报告的种族背景显示出高度一致性。散点图分析表明,GD1-IC1空间能有效分离南亚、拉丁裔及欧洲群体。特别值得注意的是,GrafAnc成功识别出一个由自我报告为“其他族裔”的个体组成的独特集群,并将其正确归类为中东和北非(MENA)群体。统计数据显示,约50%的MENA分类个体选择了“其他族裔”选项,证实了该工具填补了传统分类的空白。此外,分析还揭示了东非岛国毛里求斯个体尽管地理上属东非,却在遗传上更接近南亚人群。
跨数据集结果整合
研究人员展示了GrafAnc在不同数据集(1KGP、UKBB、HGDP)间结果的整合能力。通过将各数据集的平均评分投射到共享坐标系中,发现亚洲群体呈现出复杂的精细结构:EA2评分区分了日本/韩国与其他东亚人群,EA1评分则反映了中国南北方汉族的差异;SA1和SA2评分分别基于斯里兰卡vs孟加拉国、印度vs巴基斯坦的参考对,成功分离了南亚次大陆西北与东南部的群体。这种跨数据集的直接比较验证了GrafAnc评分的平台无关性和通用性。
结论与讨论
综上所述,研究人员开发的GrafAnc通过引入标准化的成对对比评分体系和精心筛选的祖先信息性SNP面板,成功克服了传统PCA方法和模型依赖型工具在处理复杂群体结构时的局限性。该研究证实,GrafAnc能够在不依赖特定数据集样本构成的情况下,生成稳定、可重复且具有生物学意义的祖先评分。其核心价值在于实现了从大陆到国家/地区层面的精细尺度祖先推断,且无需繁琐的数据集划分或迭代分析。通过将个体映射到预定义的参考群体空间,GrafAnc生成的评分可直接作为连续变量用于下游分析,极大地便利了大规模基因组学研究中的群体分层校正与跨研究比较。这项工具的出现为人类群体遗传学研究提供了一种高效、可靠且可扩展的新范式,尤其在处理UKBB等大型生物样本库数据时展现了卓越的性能。