分类： 00 群体遗传学基础 population genetics

这些名词很容易混淆而引起不必要的错误或误解，早期的遗传统计学软件，例如plink并没有很重视allele概念上的明确区分，但近年新出的软件或旧软件的新版本为保证统一性已经开始注意此问题。

本文内容

第一组 频率上的 major 与 minor allele 
第二组 参考基因组的 reference （ref） 与 alternative （alt） allele
第三组 关联检验的 reference （non-risk 或者 non-effect）与 risk/effect allele

首先第一组概念 major 与 minor allele

major allele 与 minor allele 通常针对某一大小确定的特定群体而言，频率最高的allele为该群体的major allele， 频率次高的为 minor allele，对于最常见的bi-allelic SNP来说，两个allele频率一高一低，就是这个群体中这个snp的major和minor allele，对于tri- 或者quad-allelic SNP （位点有三种或四种碱基的SNP）而言，minor allele则是频率第二高的那个allele

注意点：

区分major与minor的依据是 某一大小确定特定群体的 allele 频率

plink1.9目前采用的是major与minor allele的概念，软件会自动计算频率，对原始数据进行操作时会自动改变allele的排序，如果你使用plink1.9 的—frq选项计算频率，你会发现输出的文件中是MAF ，minor allele frequency，不会高于0.5。

PLINK1.9中,A1为minor，A2为major allele，所以这里MAF是指A1（minor allele）的频率。。

CHR    SNP    A1   A2          MAF  NCHROBS
1      SNP1    T    C       0.1258    10000
1      SNP2    A    G       0.1258    10000

第二组 reference （ref） 与 alternative （alt） allele

reference allele 在这里是指某一参考基因组上该位点的allele，该位点上其他的allele则称为alternative allele。注意，这里reference 与 alternative allele与频率无关，唯一的决定因素是所选的参考基因组。参考基因组上的allele多为major allele，但这只是巧合，不能以此为依据将major和 reference allele划上等号，也有部分reference allele在该群体中为minor allele。

与plink1.9不同，plink2使用的概念则是reference 与 alternative allele，进行操作时不会自动依据频率而改变ref与alt的排序，使用plink2 的—frq选项计算频率，你会发现输出的文件中是alternative allele frequency (不是MAF)，取值范围为[0,1]。

PLINK2中则明确区分了reference 与 alternative allele的概念，例如上述的两个SNP，根据参考基因组对齐后，SNP1在参考基因组中的ref为T，那么alt就为C，这里计算的alt的频率为0.8742，按概念来说在该群体中，SNP1的T为ref allele，但却又是minor allele ， 而C为alt，却又是major。 对于SNP2来说ref 则为 major，alt 为minor。

#CHROM	ID	REF	ALT	ALT_FREQS	OBS_CT
1	SNP1    	T	C	0.8742	10000
1	SNP2    	G	A	0.1258	10000

小窍门：使用plink2可以将自己手头数据的ref与alt allele与对应参考基因组对齐，示例代码如下：

plink2 \
       --bfile testfile \
       --ref-from-fa -fa hg19.fasta \  从参考基因组的fasta文件来决定plink文件中的ref
       --make-bed \
       --out testfile_fa

第三组 reference 与 risk/effect allele

在这里的概念再次改变，同样的reference allele，在与 risk/effect allele并列时，则指的是GWAS关联检测中的reference allele （non-risk 或者 non-effect），也就是效应量beta（或odds ratio）估计时的参考，概念上与上述ref与alt的组合无关，但为了保持统一性，近年来研究中关联检验的reference 也会与 reference genome保持一致，以避免混淆等。（注意：早期多以minor allele为关联检验的ref allele，这也是容易产生混淆的点）

risk allele 则很好理解，就是对疾病发生有贡献的那个allele，在复杂疾病的研究中，一般情况下risk allele经常为minor allele，但也会有例外。effect allele的概念也类似，就是我们想要研究其对疾病或表型效应的allele，所以通常是对表型或疾病有贡献的allele，关联检验结果中effect一栏指的就是effect allele的效应。

理解了以上概念后，我们在分辨allele时就能得心应手了。

为了在GWAS分析中得到可靠的结果，我们需要严格进行质量控制，其中很重要的一环就是筛掉杂合性异常的样本，因为通常情况下过高或过低的杂合度一般意味着样本存在污染，或是存在近亲相交。

plink提供了—het的选项，可以通过距估计来估计F系数：

这里的F系数为近交系数：亲缘系数/ 近交系数/血缘系数 coefficient of kinship / inbreeding / relationship 

使用的具体的计算公式是：

注意：

1.当样本量较小时，由于估计的期望偏差可能很大，应当通过 -read-freq 选项来额外提供期望数。

2.该计算方法没有考虑SNP之间的LD，所以在进行估计前最好进行LD-pruning

一般情况下给出的合理范围是平均值正负3个标准差，但实际操作上如果数据来源可靠（例如来自某个标准化biobank，样本制备与测序流程可靠时，可以尝试4个标准差，或是略过此项QC以保留更多样本）

也可以使用—ibc选项（来源于GCTA软件），计算三种基于不同方法的F系数：

第一种，基于加性基因型值的方差：

第二种，基于偏离期望值的纯合性的大小，与上述—het选项相同。

第三种，基于联合配子之间的相关：

下面利用PLINK的-het简单进行演示，示例数据来自https://www.nature.com/articles/nprot.2010.182#MOESM365：

# 首先进行LD-pruning
plink \
  --bfile gwa \
  --indep-pairwise 50 5 0.2 \
  --out gwa

#使用LD-prune后的SNP来计算杂合度
plink \
	--bfile gwa \
	--extract gwa.prune.in \
	--het \
	--out gwa

输出文件为 gwa.het

使用head命令查看：

head gwa.het

FID     IID       O(HOM)       E(HOM)        N(NM)            F
   0   A2001        54037    5.433e+04        82915     -0.01037
   1   A2002        54362     5.43e+04        82865     0.002085
   2   A2003        54120    5.435e+04        82932    -0.008133
   3   A2004        54538    5.436e+04        82955     0.006211
   4   A2005        54462    5.435e+04        82932     0.003898
   5   A2006        54387    5.437e+04        82970     0.000653
   6   A2007        54093    5.435e+04        82940    -0.009004
   7   A2008        54239    5.432e+04        82910    -0.002818
   8   A2009        54103    5.437e+04        82982    -0.009274

O（HOM）为观测到的纯合基因型数，E（HOM）为期望值，N为总数。

F = (O-E) / (N-E) 也就是我们要计算的F系数估计值。

首先画图确认分布，这里使用python

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

het = pd.read_csv("gwa.het","\\s+")
plt.figure(figsize=(10,5))
plt.hist(het["F"],bins=100)
plt.title("het F")

然后要剔除平均值3个标准差以外的异常样本，这里还是使用python：

#python
#抽出3个标准差以外的样本的ID
toRemove = het.loc[((np.mean(het["F"])-3*np.std(het["F"]))>het["F"])|(het["F"]>(np.mean(het["F"])+3*np.std(het["F"]))),["FID","IID"]]
#输出要剔除样本的FID与IID
toRemove.to_csv("to_remove.id"," ",header=None,index=None)

在终端中查看是否输出成功：

#在终端中查看
head to_remove.id

207 A2208
483 A2484
752 A2753
913 A2914
1049 A3050
1165 A3166
1356 A3357
1891 A3892
269 A270
393 A394

大功告成，to_remove.id 可以通过—remove选项来剔除出后续分析

参考：

Clarke, G., Anderson, C., Pettersson, F. et al. Basic statistical analysis in genetic case-control studies. Nat Protoc 6, 121–133 (2011). https://doi.org/10.1038/nprot.2010.182

https://www.cog-genomics.org/plink/1.9/basic_stats#ibc

Am J Hum Genet. 2011 Jan 7; 88(1): 76–82.

遗传学中关于亲缘关系的常见的几个系数辨析：

亲缘系数 coefficient of kinship ，有时也称共祖系数 coefficient of coancestry， 是对个体间亲缘关系的直接衡量，定义为从两个个体随机抽取一个同源等位基因，所抽取的两个等位基因是血缘同源（IBD）的概率（即这两个等位基因相同，且来自同一个祖先）。

常用的用来衡量亲缘关系的，且容易混淆的系数还有如下两个，近交系数与血缘系数。

近交系数 coefficient of inbreeding ，由怀特（ Wright, Sewall ）最早定义，是指 一个个体的某个基因座上的两个等位基因为血缘同源 （IBD） 的概率，衡量的是这个个体父母间亲缘程度的大小，反映的是近亲交配的程度。有时也称为固定系数 fixation index ，通常用 F 表示。

血缘系数 coefficient of relationship ，该系数也由怀特定义，衍生自他对近交系数的定义， 是指有共同祖先的两个个体间，基因型一致的概率，通常用 r 来表示。数值上是 亲缘系数 的两倍。

对于常见亲缘关系这三个系数的理论值如下图所示：

*注意，虽然近交系数与亲缘系数值相等，当他们的概念并不相同。

亲缘系数是指两个个体间的亲缘关系，如 （ 母父，儿女 ）这一项，亲缘系数为1/4的意思是从一个个体与其亲生父母或孩子个随机抽取一个同源等位基因，这两个等位基因相同，且来自同一个祖先 的概率是1/4.

而近交系数在这里的值为虽然也为1/4，但其表达的意思是如果这个个体与其 亲生父母或孩子近交后，子代的某个基因座上的两个等位基因为血缘同源的概率 为1/4.

参考：

Wright, Sewall (1922). “Coefficients of inbreeding and relationship”. American Naturalist. 56 (645): 330–338. doi:10.1086/279872.

易感性-阈值模型是遗传流行病学中重要的理论模型之一。

Liability 易感性

易感性是 遗传因素 与 环境因素 对某多因子疾病的效应 的总称。因为易感性是一个隐变量（latent variable），实际上很难直接测量某个特定个体的易感性，但我们可以通过某群体中发病个体数量来估计该群体对于疾病的易感性。

Threshold Model 阈值模型

易感性-阈值模型（liability -threshold model）是我们用来分析非孟德尔遗传的（non-Mendelian）分类（categorical）表型（例如二分类表型 binary traits）的基本模型之一，如下图所示，通常我们认为易感性服从一个N(0,1)的正态分布。当某个个体的集聚的易感性超过了阈值T时就会发病，阴影区域的面积表述了在这个群体中该疾病的流行率（prevalence）。

对于某个疾病可以有多个阈值，分别对应疾病的不同严重程度。

参考：

https://onlinelibrary.wiley.com/doi/full/10.1002/0470011815.b2a05036