基于490,319例英国生物银行（UK Biobank, UKB）基因组的单倍型参考面板显著改善全球人群基因型插补

《Nature Genetics》：A haplotype reference panel constructed from 490,319 UK Biobank genomes improves genotype imputation for global populations

　　

本研究基于490,319名英国生物银行（UK Biobank, UKB）参与者的全基因组测序（whole-genome sequencing, WGS）数据构建了基因型插补（genotype imputation）参考面板，并借助EagleImp及英国生物银行研究分析平台（UK Biobank Research Analysis Platform, UKB-RAP）中的EagleImp-RAP，实现了独立服务器（standalone）与基于云端的单倍型定相（phasing）及插补。UKB参考面板在全球所有超级群体（superpopulation）中，除AMR（American，美洲人群）外，以及1000 Genomes Project（千人基因组计划）26个亚群体中的25个群体中，定相转换错误率（switch error rate, SER）均低于应用最广的TOPMed r3面板（133,597个个体）。以平均绝对误差（mean absolute error, MAE）衡量，对于最小等位基因频率（minor allele frequency, MAF）低至0.01%的变异，5个超级群体中的4个及12个亚群体的插补准确性有所改善。估计平方相关（estimated squared correlation, estimated R²）在全部5个超级群体和22个亚群体中进一步提升，其中东亚（East Asian, EAS）和南亚（South Asian, SAS）人群的增益最大。对来自意大利、德国、西班牙和挪威的COVID-19全基因组关联研究（genome-wide association study, GWAS）数据集进行重新插补表明，常见变异（common variant）插补仍未饱和，从而增强了全基因组显著性位点（genome-wide significant loci）的发现并提高了精细定位（fine-mapping）的分辨率。

一、研究背景与意义

基因型插补（genotype imputation）依据单倍型参考面板（haplotype reference panel，由已知单倍型组成的参考序列集）推断样本中未直接测定的基因型，是开展全基因组关联研究（genome-wide association study, GWAS）与全基因组数据分析的基础。借助不同基因组测序项目（如Haplotype Reference Consortium, HRC；跨组学精准医学计划（Trans-Omics for Precision Medicine, TOPMed））提供的插补服务，研究人员无需自有计算资源即可完成全基因组单倍型定相（phasing，即推断每条染色体单倍型组成）与插补。然而，当时应用最广的TOPMed r3面板（133,597个基因组）只能通过基因型与表型数据库（database of Genotypes and Phenotypes, dbGaP）部分获取，且由80余项独立研究（即TOPMed项目）汇编而成，既无法在独立服务器（standalone）运行，也无法部署于英国生物银行研究分析平台（UK Biobank Research Analysis Platform, UKB-RAP）；同时，现有面板对全球多样人群（尤其非欧洲人群）的插补准确性仍不理想。为此，研究人员基于UKB 490,319个基因组构建了迄今生成的最大单倍型参考面板，并通过覆盖全球人群的基准测试验证其定相与插补性能。该论文发表于《Nature Genetics》。

二、关键技术与方法（不超过250字）

研究队列为UKB 490,319人的全基因组测序（whole-genome sequencing, WGS）数据。研究人员以SHAPEIT5分两步完成定相（phase_common构建骨架、phase_rare定相罕见变异）并转为Qref格式；基于1000 Genomes Project（含定相真值）与Illumina Global Screening Array（GSA）分型数据，以EagleImp（完整面板及MAF≥0.0001过滤面板）和TOPMed插补服务器运行基准测试，以转换错误率（switch error rate, SER）、平均绝对误差（mean absolute error, MAE）、estimated R²与r²评估；对意、德、挪、西四国COVID-19 GWAS数据重新插补后，以PLINK2关联分析（校正10个主成分）、SuSiE完成精细定位（fine-mapping）。

三、研究结果

（一）参考面板构建与运行模式：研究人员由UKB 490,319个基因组构建含逾3.61亿个遗传变异的完整参考面板，并提供MAF≥0.0001过滤面板（UKB MAF0.0001）供常规GWAS快速插补；通过扩展EagleImp软件框架并新增云端执行能力，实现独立服务器（EagleImp）与UKB-RAP云端（EagleImp-RAP）两种运行模式。

（二）定相质量（SER）：完整UKB面板在除AMR（American，美洲人群）外的全部超级群体，以及26个亚群体中的25个里SER均低于TOPMed r3，1个群体无差异，表明其定相准确性整体更优。

（三）插补准确性：以参考面板最小等位基因频率（reference panel MAF, rpMAF）分层的estimated R²（变异水平插补质量评分）显示，除AMR在rpMAF≥1%时略降0.76%外，5个超级群体在全等位基因频率谱上均优于TOPMed，EAS（East Asian，东亚）增益最大（rpMAF≥0.01%时+24.39%）；26个亚群体中22个改善（最大+15.25%（JPT），最小+0.10%（ASW））、4个下降（最差?3.33%（GWD）），rpMAF≥0.1%与≥1%区间分别有25和24个群体改善；MAF≥0.0001过滤面板未造成明显准确性损失。平均绝对误差（mean absolute error, MAE，衡量插补基因型与真实基因型平均偏差的指标）分析显示，完整面板在SAS（South Asian，南亚）和EAS全部rpMAF区间、EUR（European，欧洲）两个区间、AMR一个区间更优，AFR（African，非洲）在所有区间更优；26个亚群体中12个以过滤面板MAE更低、6个以TOPMed更低、8个结果依区间而异。鉴于r²在小队列不稳定且依赖估计方法，未将其微小差异作为面板相对性能判据。

（四）COVID-19 GWAS重新插补与关联分析：意大利GWAS数据（835例伴呼吸衰竭重症病例、1,255例对照）中，仅UKB插补在COVID-19易感主效位点3p21.31产生全基因组显著性关联（P < 5 × 10^?8），新lead SNP rs73064425在三项独立GWAS中重现；连锁不平衡（linkage disequilibrium, LD，邻近变异间关联程度）分析显示rs73064425与原TOPMed lead SNP rs35652899仅中等LD（r² = 0.6625）；SuSiE贝叶斯分析将rs73064425列为3p21.31位点95%可信集（credible set，含因果变异的变异集合）首位，而TOPMed结果中该变异列第4位且可信集更大，表明常见变异插补未达饱和并提升了精细定位（fine-mapping，从关联信号中锁定可能致病变异）分辨率。

（五）运行时间比较：尽管UKB面板样本量超过TOPMed r3的3.6倍，EagleImp与EagleImp-RAP使用完整面板的运行时间平均仍约为TOPMed服务器的一半；使用过滤面板则比TOPMed服务器快4–13倍。

四、讨论与结论

讨论指出，TOPMed r3面板特有变异（244,838,777个）多于完整UKB面板（161,298,331个，最小等位基因计数（minor allele count, MAC）≥4），更利于插补非欧洲人群的群体特异性变异；全球多数人群（尤其罕见变异，MAF<0.01%）的插补质量仍待提升，多数亚群体MAF<0.01%变异的平均estimated R²仍较低；与78,195人的基因组学英格兰（Genomics England, GEL）参考面板相比，UKB面板在35个基准人群中总体插补质量提升达24.39%。因此，在缺乏人群特异性参考面板时，UKB面板是全球人群插补的最合适选择，欧洲人群尤宜采用。研究结论认为：UKB参考面板作为迄今最大的插补面板，定相与插补准确性在多数全球人群中优于TOPMed r3且运行更快，既可在独立服务器也可在UKB-RAP云端使用，为UKB研究界乃至全球多样人群提供了高精度、可复现的插补解决方案，并揭示常见变异插补尚未达到饱和。