广义单步（Generalized Single Step, GSS）理论：一种递归整合任意数量分层基因组关系矩阵的方法

《Genetics Selection Evolution》：A note on a generalized single step theory for any number of hierarchical genomic matrices

　　

背景：单步法（Single Step, SS）算法允许结合来自基因分型个体和未基因分型个体的信息，前提是这些个体通过系谱（pedigree）相互关联。然而，目前的单步理论仅限于单一的标记列表。

结果：研究人员提出了一种广义单步（Generalized Single Step, GSS）方法，该方法可容纳任意数量的分层分子数据集（例如测序、高密度和低密度芯片）及系谱信息，同时避免了插补（imputation）。研究人员证明了存在一种类似的高效求逆算法。该方法具有递归性，从标记密度最高的场景开始递推。研究人员通过模拟展示了该方法，并表明与标准单步法相比，GSS可以提高预测准确性（predictive accuracy）。研究人员提供了R代码，以便使用模拟数据或真实数据轻松比较自定义场景。

结论：所发展的方法将现有的单步理论推广至任意数量的分层分子关系矩阵，拓宽了单步法的应用场景。一个特别值得关注的应用方向是生态学野外数据或人类群体，这些场景中系谱可能不可获得，但存在以不同密度进行测序和基因分型的样本。GSS也可作为优化基因分型和/或测序资源配置的有用工具。

**论文解读**

**研究背景与问题**

基因组选择（Genomic Selection, GS）在现代动植物育种中发挥着核心作用，而单步法（Single Step, SS）作为将基因分型个体和未基因分型个体信息联合用于遗传评估的主流方法，因其能够避免将未基因分型个体的信息压缩为某种"伪表型"（pseudo-phenotypes）而广受青睐。SS方法的一个关键优势在于，它只需要对维度等于基因分型个体数量的矩阵进行求逆，该数量通常远小于系谱中的总个体数，因而计算效率较高。然而，当前SS理论存在一个根本性局限：它仅能处理单一的标记列表，因此个体仅被划分为基因分型和未基因分型两个组别。

在实际育种计划中，经常出现不同密度的SNP（单核苷酸多态性，Single Nucleotide Polymorphism）芯片乃至全基因组测序数据共存的情况。面对这种异质性标记数据，现有SS理论无法直接应用，当前通行的做法是对所有低密度数据向最高密度标记列表进行插补（imputation），然后再执行标准的SS分析。这一两步流程不仅引入了额外的计算步骤，还可能因插补误差而影响下游遗传评估的准确性。此前，Akdemir等人提出了一种基于EM算法和Wishart分布的迭代方法来组合部分重叠的基因组关系矩阵（Genomic Relationship Matrix, GRM），但其原理与SS完全不同且计算速度较慢；Christensen等人则提出了利用两步SS策略组合异质信息源的方法。在此背景下，发展一种能够直接处理分层异质SNP数据源的广义SS理论具有重要的理论和实践价值。

**研究内容与意义**

研究人员在本研究中提出了广义单步（Generalized Single Step, GSS）方法，将标准SS理论推广至可容纳任意数量的分层标记数据集（如测序数据、高密度芯片和低密度芯片）和系谱信息。该工作的核心贡献在于：第一，从理论上证明了在分层标记数据场景下，广义H矩阵（联合遗传方差-协方差矩阵）具有与标准SS中H矩阵相同的结构性质，因此同样存在高效的求逆算法；第二，提出了一个递归算法，从标记密度最高的数据块开始，逐步向后递推，依次计算各层的H矩阵子块；第三，通过模拟数据验证了GSS方法相较于标准SS能够提高预测准确性，尤其在序列数据可用时。研究人员还在GitHub上提供了完整的R代码，便于其他研究者使用模拟或真实数据对自定义场景进行测试和比较。该方法的建立拓宽了SS理论的应用范围，使其不仅适用于育种中的遗传评估，还对生态学野外数据和人类群体遗传学研究——特别是系谱不可获得但不同密度的分子数据共存的场景——具有潜在应用价值。此外，GSS还可作为优化基因分型和测序资源配置的辅助决策工具。

**关键技术方法**

研究人员基于线性混合模型框架推导了GSS理论。该方法的核心假设是：对于拥有第i层标记信息的个体，其育种值的条件方差主要由最高密度的可用标记集决定，即Var(u|P, M₁, ..., M_i) ~ Var(u|M_i)，其中标记集按密度递增排序。GSS采用递归策略：首先将最高密度标记集对应的基因组关系矩阵赋给H矩阵的最底层对角块（H_bb = G_bbσ_u²），然后从b-1层向下逐层递推，利用公式H_ii = [G_[i]ii - G_[i]i,j>i G_[i]j>i,j>i^-1 G_[i]j>i,i + G_[i]i,j>i G_[i]j>i,j>i^-1 H_j>i,j>i G_[i]j>i,j>i^-1 G_[i]j>i,i]σ_u²计算各层对角块，并计算各层间的协方差块。最终广义H矩阵的逆可通过H^-1 = G_[1]^-1 + diag(0, H_i>1,i>1^-1 - G_[1]i>1,j>1^-1)获得，其中第一块G_[1]通常为基于系谱的分子亲缘关系矩阵（Numerator Relationship Matrix, A矩阵），其逆可通过线性时间复杂度的算法稀疏计算。模拟验证采用AlphasimR软件，模拟了一个由1000个创始二倍体个体组成的群体，基因组含20条染色体、每条染色体1000个标记，设置一个由100个QTL（数量性状位点，Quantitative Trait Locus）控制、遗传力（heritability, h²）为0.5的数量性状，经三个非重叠世代（每代1000次随机交配，每次交配产生一个后代）共产生含4000个个体的完整系谱。

**研究结果**

*模拟数据的群体遗传学验证*

研究人员首先验证了模拟数据的合理性。模拟群体的未折叠位点频谱（unfolded site frequency spectrum）显示低频变异富集，且连锁不平衡（Linkage Disequilibrium, LD）在物理距离较近的标记之间更高，这符合群体遗传学理论的基本预期，表明模拟数据可靠。

*不同关系矩阵之间的相关性比较*

研究人员比较了基于全部标记和全部个体的序列基因组关系矩阵（S矩阵）、分子亲缘关系矩阵（A矩阵）、标准SS的H矩阵（H_SS）以及GSS的H矩阵（H_GSS）之间的相关性。结果显示，S与A矩阵之间的相关性最低，因为标记能够区分创始个体之间在系谱中被赋予零亲缘关系的个体间的真实遗传关系差异。A矩阵的系数呈离散分布且显示均匀的亲缘关系层级，而基于标记的GRM则呈现连续性分布。更重要的是，S与H_GSS之间的相关性高于S与H_SS之间的相关性，反映了GSS场景中分子数据总量更大。

*预测准确性评估*

研究人员比较了四种策略对最后一代1000个无表型个体的育种值预测准确性：（1）仅使用系谱信息；（2）系谱加低密度基因分型（标准SS）；（3）GSS（创始个体无基因分型，第1-2代低密度芯片分型，第3代测序）；（4）全部个体均测序。结果表明，无分子数据时预测表现最差，全部个体测序时预测最佳。GSS相较于标准SS提高了预测准确性，尽管在所考察的场景中提升幅度中等，但实际提升程度取决于具体参数，且不同重复间可能存在差异。

*非分层标记芯片场景的拓展比较*

为了检验GSS在标记芯片非严格分层时的表现，研究人员构建了一个低密度芯片（1000个SNPs）与高密度芯片（19500个SNPs）仅共享500个SNPs的场景。由于Akdemir等人提出的EM-Wishart方法（CovCombR）计算速度远慢于GSS（超过100倍），该比较在缩小的群体规模（每代100个个体）下进行。结果显示，H_GSS矩阵与序列S矩阵的相关系数为0.88，CovCombR的C矩阵与S矩阵的相关系数为0.89，二者非常接近；两种方法的预测表现也相当。

**讨论与结论**

本研究的主要目的是建立GSS的理论框架而非系统评估其性能。GSS方法的核心假设是标记芯片具有分层嵌套关系，即低密度芯片的所有标记均包含在更高密度芯片中。实际上，GSS成立的唯一必要假设为Var(u|P, M₁, ..., M_i) ~ Var(u|M_i)，其中标记集按密度递增排序。当芯片不完全嵌套时，可通过计算不同SNP列表的预期预测误差方差来确定层次关系。在非嵌套场景下，GSS与CovCombR方法的表现相当，但GSS的计算速度远快于后者。一般而言，当有效群体规模较大、连锁不平衡较弱时，或者当能够识别出因果突变子集时，序列数据的加入预期会产生更大的影响。

研究结论如下：研究人员提出了广义单步（GSS）方法，该方法能够在统一的框架内组合任意数量的分层SNP芯片、测序数据、已知因果位点以及系谱信息，避免了连续的插补步骤。本短文聚焦于理论框架的构建，并提供了R代码以便在后续工作中深入分析GSS的性质，例如与全基因组插补或Christensen等人提出的相关方法进行比较。总之，研究表明GSS可以随着新分子信息的加入而提高预测准确性，且计算速度远快于CovCombR方法。GSS理论不仅可用于持续育种计划中的遗传评估，还可结合模拟程序用于优化测序和/或基因分型资源的分配。最后，尽管研究人员以动植物育种计划为背景发展了GSS，但值得指出的是，GSS在生态学或人类遗传学中也可能具有应用价值——这些场景中系谱可能不可获得，但不同来源的分子数据可以被组合利用。用户可通过GitHub脚本测试自定义参数选择。