基于164个祖先信息SNP与机器学习方法的亚洲人群遗传结构推断及区域祖先溯源研究

《Forensic Science International: Genetics》：Inference genetic structure and regional ancestry of Asian populations using 164 AISNPs and machine learning approaches

　　

摘要专业翻译 祖先信息SNP（Ancestry-informative SNPs，AISNPs）被广泛用于生物地理祖先推断，然而关于如何最大化现有AISNP组合的祖先推断潜力的策略研究相对较少。本研究评估了亚洲人群间的遗传分化模式，以及单一164个AISNP组合在群体水平区域祖先推断中的效用，采用机器学习（Machine Learning，ML）方法进行分析。研究人员对代表16个亚洲人群的2285名个体的基因型数据，运用常规群体遗传学方法和六种监督式机器学习算法进行了分析。群体遗传学分析一致揭示了两个主要聚类，分别对应西南亚（Southwest Asia）和东亚（East Asia，EA），同时在东亚内部存在南北向遗传渐变群。缅甸人群表现出独特的遗传特征，在主成分分析中呈现广泛离散分布，并在STRUCTURE分析中显示出额外的祖先成分。在所评估的分类器中，LightGBM在三组分类（宏平均F1分数=0.903±0.007）和东亚两组分类（宏平均F1分数=0.892±0.008）中均取得了最高性能。包括rs3811801、rs3827760、rs1426654、rs260690和rs174570在内的数个标记，在传统群体遗传学统计量与基于机器学习的特征重要性度量之间表现出一致性。这些发现表明，164个AISNP组合能够有效捕获亚洲人群的宏观遗传模式及区域遗传分化。研究同时强调，AISNP的信息量随人群分化的层级水平而变化，为法医祖先推断组合的优化提供了见解。

论文解读

一、研究背景与问题

在法医遗传学领域，基于DNA的生物地理祖先推断已成为为身份不明个体提供调查线索的重要辅助手段。祖先信息SNP（Ancestry-informative SNPs，AISNPs）凭借其利用较少数量的位点即可实现祖先推断的优势，通过挖掘人群间等位基因频率和遗传分化水平的差异，得到了广泛应用。早期研究主要聚焦于大陆尺度的群体区分，多个代表性AISNP组合已被证明能够有效将人类群体划分为约五至七个大陆类群。然而，近年来祖先推断研究的焦点已从洲际分化扩展至大陆内部精细群体结构的解析以及遗传相近人群的区分。东亚人群由于共享祖先起源和持续的基因流，表现出高度的遗传相似性，使得群体水平的区分极具挑战性。尽管已有研究证明AISNP能够捕获东亚内部的遗传分化，并实现对中国汉族、日本人、傣族和京族等群体的准确归属判定，但这些研究大多基于各自数据集构建群体特异性组合，标记可能高度依赖于开发时的数据集，其跨独立数据集的可重复性和普适性评估有限。此外，传统方法如主成分分析（Principal Component Analysis，PCA）和基于模型的聚类方法（如STRUCTURE和ADMIXTURE）在解析遗传相近人群间的细微差异方面能力有限。鉴于AISNP的区分能力会随目标人群和参考人群的组成而变化，有必要利用涵盖多样化东亚人群的参考数据集，系统评估已有AISNP组合的适用性和性能。机器学习（Machine Learning，ML）方法因其能够从高维遗传数据中学习非线性模式和标记间的复杂交互，为提升区域祖先推断精度和区分遗传相似人群提供了新的途径。

二、研究内容与主要结论

本研究采用基于已在多项研究中反复验证的核心SNP集合的策略，将多种机器学习算法应用于来自16个亚洲人群的164个AISNP数据，系统评估祖先分类性能，并识别与亚洲分层地理判别相关的关键AISNP。研究共纳入2285名个体，涵盖西南亚（Southwest Asia，SWA）、东北亚（Northeast Asia，NEA）和东南亚（Southeast Asia，SEA）三个地理区域群体。传统群体遗传学分析一致揭示了亚洲人群的宏观遗传结构：SWA与EA之间存在明确的遗传分化主轴，东亚内部呈现南北向渐变群。缅甸人群表现出独特的遗传特征，提示其作为印度次大陆、中国南部和东南亚之间过渡地带所经历的复杂人口历史。在机器学习分类中，LightGBM在三组分类和东亚两组分类中均取得最优性能，宏平均F1分数分别达到0.903±0.007和0.862±0.008。特征重要性分析表明，rs3811801、rs3827760、rs1426654、rs260690和rs174570等标记在传统群体遗传学统计量和机器学习特征重要性度量之间表现出高度一致性，且SNP的信息量随人群分化层级的不同而变化。该研究证明了164个AISNP组合在捕获亚洲人群宏观遗传模式和区域遗传分化方面的有效性，为法医祖先推断组合的优化提供了重要参考。

三、关键技术方法

研究人员从940名亚洲个体中采集生物样本，其中189份DNA样本购自Coriell医学研究所，其余751份为直接采集的血液、血液FTA卡或口腔拭子样本。另有1345名个体的基因型数据来自公开数据库及先前研究，其中596份来自Snipper门户的TFS Precision ID Ancestry Panel参考人群集（源自1000 Genomes数据），749份来自先前研究。所有样本经Precision ID Ancestry Panel靶向扩增后，在HID Ion GeneStudio? S5系统上进行大规模平行测序，基因型判定使用HID SNP Genotyper插件。数据分析采用多种方法：等位基因频率和遗传多样性指标通过STRAF v2.1.5计算；标记的祖先推断信息量（Informativeness for assignment，In）基于Rosenberg等方法以自定义Python脚本计算；两两Fst值使用Arlequin v3.5.2.2计算；群体遗传关系通过PCA可视化；群体结构使用STRUCTURE v2.3.4推断，并以Structure Harvester和CLUMPAK汇总结果；系统发育关系使用MEGA v11.0.13中的邻接法（Neighbor-Joining，NJ）重建。机器学习分析采用六种监督式算法，包括逻辑回归（Logistic Regression，LR）、多项式朴素贝叶斯（Na?ve Bayes，NB）、支持向量机（Support Vector Machine，SVM，分别采用一对一和一对多策略）、随机森林（Random Forest，RF）和LightGBM，数据按80%训练集和20%测试集分层划分，超参数通过网格搜索优化，采用五折交叉验证防止过拟合，特征重要性通过增益重要性、置换重要性和SHAP（Shapley Additive exPlanations）值三种度量评估。

四、研究结果

4.1 164个AISNP在亚洲人群中的群体分化与祖先信息量

基于等位基因频率的层次聚类将16个亚洲人群分为SWA和EA两个主要聚类，亚聚类进一步反映人群间的地理邻近性。两两Fst分析显示SWA与EA人群间遗传分化显著，而各区域组内分化相对较低，表明亚洲存在清晰的东-西遗传结构轴。六个SNP（rs3827760、rs260690、rs1426654、rs1229984、rs1800414和rs3811801）在区分SWA与EA人群时表现出高信息量（In>0.2）。在东亚亚结构分析中，SNP排名发生变化，rs3811801、rs174570、rs7745461和rs1229984对区分NEA和SEA具有最高信息量，其中rs3811801和rs1229984在两项分析中均保持高信息量。

4.2 基于164个AISNP的亚洲人群群体结构与遗传关系

PCA分析显示PC1清晰分离SWA与EA人群，PC2反映东亚内部南北渐变群。CHS人群位于NEA和SEA群体之间的中间位置，MYA人群分布广泛且与邻近SEA人群分离较弱。STRUCTURE分析在K=2时揭示SWA与EA的主要分化，K=3时EA人群进一步分为NEA和SEA聚类，最优K值为K=4，此时MYA人群出现额外祖先成分。NJ树支持两大分支的划分，KOR和JPT关系最近，CHB和CHS随后聚类，MYA位于主要聚类之间，与STRUCTURE结果一致。

4.3 三个亚洲人群的机器学习区域分类

六种机器学习分类器对三个亚洲区域群体进行分类，LightGBM（0.903±0.007）和RF（0.896±0.008）取得最高宏平均F1分数。所有模型中SWA人群分类性能最高（F1分数>0.97），NEA人群性能相对较低。混淆矩阵显示大多数个体被正确归属，误分类主要发生在NEA和SEA之间。特征重要性分析中，rs3811801、rs3827760、rs1426654、rs260690和rs174570在三种度量中均排名靠前，与高In和Fst值一致。rs3811801在所有方法中重要性最高。基于top 140个SNP的模型取得最高性能（宏平均F1分数=0.907±0.003），与仅使用top 25个SNP的模型（0.906±0.003）相当。

4.4 两个东亚人群的机器学习区域分类

在NEA与SEA两组分类中，LightGBM（0.862±0.008）和RF（0.854±0.008）再次表现最佳，但所有模型性能较三组分类有所下降，反映东亚内部遗传分化程度较低。rs3811801和rs174570在两种分类方案中均保持高信息量，而rs1426654和rs260690的重要性显著下降，rs7745461、rs1500127和rs3793791在区分NEA和SEA时变得更加重要。基于top 80个SNP的模型取得最佳性能，宏平均F1分数为0.873±0.007。

五、讨论与结论

本研究采用分层策略，首先区分SWA与EA，随后考察东亚内部区域分化，观察到与先前报道的亚洲主要祖先成分一致的SWA与EA清晰分化。东亚内部南北渐变群的存在表明遗传结构更多受地理邻近性和历史基因流塑造，而非现代国家边界。MYA人群的独特遗传特征可能与其作为过渡地带的地理位置、复杂人口历史以及多语系族群共存有关。机器学习分析中，LightGBM与RF性能相当，梯度提升树算法在法医祖先推断中的应用有待更多人群数据集验证。特征重要性分析表明，AISNP的信息量高度依赖于目标人群和分类目标，高遗传分化位点直接贡献于分类边界形成，但部分标记可能通过与其他位点的交互作用发挥贡献，因此AISNP组合优化应同时考虑群体分化、模型重要性和置换重要性等泛化度量。多个高排名SNP与东亚人群特征性表型相关，反映了统计分类信号之外的人群进化历史和适应性分化。研究局限性包括人群覆盖范围有限、样本量分布不均、连续遗传变异被离散化处理等，未来需纳入更广泛的亚洲人群和独立验证队列。研究结论表明，相对小规模的AISNP组合即可有效捕获亚洲人群的主要遗传结构，为区域祖先推断提供有意义的解析能力，AISNP组合的优化应针对特定人群和分析目标进行定制。