统一多调用者集成(UME)生成用于可变覆盖率全基因组数据的无偏玉米单倍型图谱

《Molecular Ecology Resources》:Unified Multi-Caller Ensemble (UME) Generates an Unbiased Maize Haplotype Map for Variable Coverage Whole Genome Data

【字体: 大 中 小 】 时间:2026年07月29日 来源:Molecular Ecology Resources 5.9

编辑推荐:

  研究人员提出了一种新颖的以多样性为中心的单倍型图谱(HapMap),该图谱表征了来自818个不同背景个体的超过6450万个玉米(Zea mays ssp. mays)单核苷酸多态性(SNP)。该HapMap旨在平衡来自驯化地方品种和自交系、外群玉米属(Zea

  
研究人员提出了一种新颖的以多样性为中心的单倍型图谱(HapMap),该图谱表征了来自818个不同背景个体的超过6450万个玉米(Zea mays ssp. mays)单核苷酸多态性(SNP)。该HapMap旨在平衡来自驯化地方品种和自交系、外群玉米属(Zea spp.)以及更远的摩擦禾属(Tripsacum spp.)的变异,以最小化多样性研究中的确定偏差(ascertainment bias)。所包含的个体来自不同实验设置和覆盖率的公共数据,标准SNP调用者难以适应这些数据。研究人员提供了与标准调用者相关的覆盖率偏差影响所得变异的证据,并引入了一种称为统一多调用者集成(UME)的新方法,该方法提高了低覆盖率和混合覆盖率基因组数据集中的变异调用准确性。UME通过利用正交策略的变异调用者的证据,跨调用者重新校准错误概率,以最小化特定调用者固有的错误偏差的影响,从而纠正由样本间覆盖率异质性导致的覆盖率偏差。它优于单个策略,并在从头变异调用方面表现出色,利用更高深度读数的实例,即使在低覆盖率个体中也是如此,同时保留跨覆盖率的具有生物学信息的变异关系。UME的一个重要特征是独立于发现面板中的群体等位基因频率,从而避免了由不平衡的输入遗传多样性导致的确定偏差。发现的变异受确定偏差影响较小,因为未使用群体过滤,并且在最终变异调用集中保留了SNP的全部多样性,以最大化数据集对新测序样本进行生产调用的效用。研究人员提出了一种过滤重新校准的错误谱的策略,该策略依赖于最大化人口统计学信号以保留群体内的遗传关系,同时减少测序错误。在变异发现阶段之后,研究人员采用UME生产阶段,该阶段丰富了所有覆盖水平的基因型调用,使低覆盖率样本受益。该过程中引入的错误通过后续过滤去除。使用这种方法,研究人员生成了一个覆盖率偏差控制的玉米HapMap数据库,提供了玉米种质的全面表示,并强调了地方品种多样性。这个来自美洲各地的驯化玉米和外群多样化面板能够在低覆盖率样本中进行准确的基因分型,同时为解释多样性(特别是自然多样性和古基因组分析)提供关键背景。
全基因组短读测序在过去十余年积累了丰富基因型数据,但整合这些异质性数据集面临覆盖率高度异质(从1×到90×)的挑战。标准变异调用者(如GATK、Samtools、Freebayes、DeepVar)在低覆盖率(<10×)样本中易产生参考等位基因偏向,导致遗传关系扭曲和确定偏差(ascertainment bias),影响群体遗传学分析。玉米作为高变异作物,是研究覆盖率偏差的理想模型。已有方法如插补或生产调用依赖于群体等位基因频率或参考面板,在多样性面板中准确性有限。为此,研究人员开发了统一多调用者集成(Unified Multi-Caller Ensemble, UME)框架,旨在群体无关地减少覆盖率偏差,保留生物学意义变异,并构建覆盖偏差控制的玉米单倍型图谱(HapMap)。该研究发表于《Molecular Ecology Resources》。

主要技术方法包括:1)独立调用:使用GATK、Samtools、Freebayes、DeepVar四个正交调用者分别对每个样本独立进行变异检测;2)质量归一化:将各调用者的Phred质量分数转换为经验累积分布函数归一化至0-1区间,使跨调用者可比;3)联合调用与过滤:对各位置取并集,采用最大错误概率(max)作为汇总统计量,通过最大化多维尺度分析(MDS)前四个坐标的方差解释确定过滤截断值,以保留群体遗传信号;4)生产调用:基于发现阶段的可信变异位点,使用mpileup从比对文件中调用基因型,补充低覆盖率样本的基因型。样本队列来源包括公共数据(PRJEB31061、PRJNA300309、PRJNA381642、PRJNA389800、PRJNA479960、PRJNA641489、PRJNA783885),共818个玉米种质(自交系、地方品种、野生近缘种及外群Tripsacum dactyloides)。

**3.1 跨算法基因型调用组合**:通过比较并集(A ? B)与交集(A ∩ B)策略,发现并集在0.5×–30×覆盖率范围内产生更多位点(7%–15%),且MDS分析显示并集样本按种质而非覆盖率聚类,表明并集更好地保留了生物学变异,而交集导致覆盖率偏差更严重。

**3.2 错误概率重新校准与基因型过滤策略**:对归一化后的质量分数采用不同汇总统计量(max、min、mean、median)进行过滤。在“NAM of HapMap3”数据集上,通过比较MDS方差解释量,确定max算法在归一化p值截断值5时解释方差最大(76%),优于HapMap3对照(65.2%),且平均IBS距离(0.0089)低于测序错误,表明该过滤集最大化真实遗传变异并最小化错误。

**3.3 过滤标准对降采样多样性数据集的影响**:在“Downsampled diversity”数据集上应用max截断值5的过滤后,MDS显示样本按种质而非覆盖率聚类,且与高覆盖率GATK对照接近,证明UME消除了覆盖率偏差。深度与错误率的调整R2低于0.006,进一步证实错误率与覆盖率解耦。

**3.4 生产调用增加低覆盖率个体的基因型比例**:生产调用后,所有覆盖率水平(0.5×–30×)的位点缺失比例均降低,且在低覆盖率样本中效果最显著。MDS中样本仍按种质聚类,表明生产调用在补充基因型的同时未引入覆盖率偏差。

**3.5 用于多样玉米HapMap数据库的基因型调用**:基于前述参数,对818个种质进行UME发现阶段,通过4个调用者并集和max截断值10过滤,共鉴定64,531,167个SNP(不含INDEL)。在自交系重复样本中,残余错误率估计为0.12%(不平衡杂合子),旁系同源位点(PARALOG)占68%。MDS分析表明样本按种质而非来源或覆盖率聚类,证明UME成功克服覆盖率偏差。数据库平均缺失比例24.34%,平均最小等位基因频率(MAF)0.09,杂合性分布呈多峰,符合玉米群体特征。

总结讨论部分:研究人员提出了一种群体无关的变异调用框架UME,通过整合多个正交变异调用者的信号和经验性错误概率重新校准,减少覆盖率偏差和确定偏差。结论指出,在低覆盖率和异质性测序数据集中进行变异调用仍是群体遗传学的主要挑战,UME通过解耦覆盖率与错误估计,最小化覆盖率驱动的人工产物,并保留生物学意义的遗传变异模式。该方法不依赖群体等位基因频率,避免了不平衡群体代表性带来的偏差。应用于玉米多样面板后,UME生成了高质量SNP发现数据库和覆盖偏差控制的单倍型图谱,生产调用进一步提高了低覆盖率样本的基因型恢复率,使其适用于古代或低覆盖率基因组。这些结果确立了UME作为异质性数据集中稳健且可扩展的变异发现框架,并为玉米及其他物种的遗传多样性、进化和群体结构研究提供了宝贵资源。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号