基于线粒体DNA控制区变异构建中国人群法医地理祖先推断模型及其验证研究

《Molecules》：Taxonomy-Driven Core Scaffold Expansion Strategy for Comprehensive Profiling of Secondary and In Vivo Metabolites of Raphani Semen and Study on Promoting Gastrointestinal Motility

　　

本研究基于中国人群线粒体DNA（mitochondrial DNA，mtDNA）控制区（control region）序列变异特征，构建了一套适用于法医遗传学（forensic genetics）地理祖先推断（geographic ancestry inference）的模型体系。研究人员对来自中国不同地理区域的样本进行高变区（hypervariable region，HVR）I、II及III的序列分析，系统评估了控制区变异的单倍群（haplogroup）分布规律与区域差异化特征。通过整合群体遗传学（population genetics）参数与机器学习（machine learning）分类算法，研究人员构建了多层级祖先推断模型，并采用交叉验证（cross-validation）与独立样本集验证其分类效能。研究结果显示，基于线粒体控制区变异的模型在区分中国北方、南方及西部人群方面具有较高的准确率（accuracy），尤其对特定单倍群（如A、B、D、G、M、N等）的地理溯源能力显著。本研究为法医学实践中未知来源检材的地理来源推断提供了重要的数据支撑与方法学参考，亦为中国人群线粒体DNA数据库的构建与应用奠定了基础。

一、研究背景与问题提出

线粒体DNA（mitochondrial DNA，mtDNA）因其母系遗传、高拷贝数及较快的突变速率，在法医遗传学（forensic genetics）中具有不可替代的应用价值。与核基因组中的常染色体短串联重复序列（short tandem repeat，STR）和单核苷酸多态性（single nucleotide polymorphism，SNP）相比，mtDNA控制区（control region）的变异积累能够反映人群在历史迁徙与隔离过程中的遗传印记，因而成为追溯母系谱系和地理来源的重要遗传标记。然而，中国幅员辽阔，民族构成复杂，不同地理区域人群的mtDNA控制区变异谱系尚未被系统刻画，现有法医遗传学参考数据库在地理覆盖度与群体代表性方面存在明显不足。这一数据缺口直接制约了未知来源生物检材的地理祖先推断（geographic ancestry inference）的准确性与可靠性，亟需建立基于中国人群特异遗传背景的推断模型。

二、研究目标与总体设计

针对上述问题，研究人员开展了基于中国人群mtDNA控制区变异的大规模群体遗传学研究，旨在构建一套适用于法医实践的地理祖先推断模型体系。研究人员收集了覆盖中国北方、南方及西部主要地理区域的人群样本，对控制区高变区（hypervariable region，HVR）I、II及III进行测序分析，系统评估各区域人群的mtDNA单倍群（haplogroup）分布特征与遗传多样性参数。在此基础上，研究人员整合群体遗传学统计方法与机器学习（machine learning）分类算法，构建了多层级地理祖先推断模型，并通过交叉验证（cross-validation）及独立样本集对模型的分类效能进行了系统评估。

三、主要技术方法

研究人员采用Sanger测序技术对样本mtDNA控制区全序列进行测定，覆盖HVR-I、HVR-II及HVR-III区域。样本队列来源涵盖中国北方（如华北、东北）、南方（如华南、西南）及西部（如西北、青藏高原）多个地理区域，确保群体代表性。数据分析方面，研究人员采用群体遗传学常用软件计算单倍型多样性（haplotype diversity）与核苷酸多样性（nucleotide diversity），并依据Phylotree标准进行单倍群分类（haplogroup assignment）。模型构建环节采用多种机器学习分类器，包括随机森林（random forest）与支持向量机（support vector machine）等，以区域标签作为分类目标进行训练与验证。

四、主要研究结果

1. 1.
   中国人群mtDNA控制区遗传多样性特征：研究人员通过对各区域样本的序列比对与统计检验，发现中国人群mtDNA控制区具有较高的单倍型多样性，且不同地理区域之间在单倍群组成上呈现显著差异。北方人群以D4、C、Z等单倍群频率较高，南方人群则富集B4、F、M7等谱系，西部人群表现出独特的A、G及M13等单倍群分布模式，提示中国人群mtDNA控制区变异具有明显的地理结构化特征。
2. 2.
   单倍群地理分布规律：基于系统发育分析，研究人员明确了多个核心单倍群在中国不同区域的特异性分布模式。例如，单倍群A在西部人群中频率显著高于其他区域，而单倍群B4在南方人群中占优势。这些分布规律为地理来源推断提供了直接的遗传标记依据。
3. 3.
   机器学习模型构建与效能评估：研究人员利用控制区全序列变异数据训练多种分类模型，结果显示随机森林模型在区分北方、南方及西部人群时取得了最高的分类准确率（accuracy）。交叉验证与独立样本测试均表明，模型对南方与西部人群的区分能力较强，而北方与西部之间因部分共享单倍群导致分类误差相对较高，但总体分类效能满足法医学应用需求。
4. 4.
   模型适用性与法医学意义：研究人员进一步评估了模型在不同测序深度与缺失位点条件下的鲁棒性，结果显示模型在部分位点缺失时仍能保持较高的推断准确率，具备实际检材应用潜力。该模型为法医学实践中未知来源检材的地理来源推断提供了直接的工具支撑。

五、讨论与结论

讨论部分指出，mtDNA控制区变异作为母系遗传标记，在地理祖先推断中具有独特优势，尤其适用于降解检材和微量检材。本研究构建的模型体系填补了中国人群mtDNA控制区地理推断研究的空白，但研究人员也指出，样本量有限及部分区域覆盖不足可能影响模型的泛化能力，未来需进一步扩大样本规模并纳入更多民族群体。研究结论明确：基于中国人群mtDNA控制区变异的机器学习模型能够有效区分主要地理区域来源，为中国法医学实践提供了可靠的地理祖先推断工具，同时为完善中国人群mtDNA参考数据库奠定了重要基础。