群体遗传学

快速概览

群体遗传学研究等位基因频率在群体中如何分布、变化，以及如何被进化力量（自然选择、遗传漂变、迁移、重组）塑造。它为理解变异在人群中的意义、GWAS 的统计框架和进化机制提供理论基础。

• 核心是从群体尺度理解变异频率和分布，而非单个位点
• Hardy–Weinberg 平衡、连锁不平衡和群体结构是三大理论基石
• GWAS 假阳性控制和 fine-mapping 都依赖群体遗传学原理

为什么研究群体遗传学

想象你正在分析一个刚发现的罕见变异。在一位患者身上检测到它，如何判断这是否与疾病相关？一个简单的直觉是：如果该变异在健康人群中也频繁出现，它不太可能是致病原因。但”频繁”的标准是什么？不同人群的基线频率差异巨大——在欧洲人群中罕见的变异，可能在东亚人群中相对常见。

群体遗传学解决的核心问题是：如何在一个群体框架下理解和解释遗传变异？

具体而言，它关注：

• 变异的群体分布：等位基因频率如何因地理、历史和进化因素而异；
• 基因型与等位基因的关系：从基因型频率推断等位基因频率的数学基础；
• 位点间的关联：物理距离如何影响不同变异之间的共遗传；
• 亚群结构的影响：群体分层如何干扰关联分析；
• 进化的痕迹：自然选择、遗传漂变在基因组上留下的印记。

在生物信息学实践中，群体遗传学是 GWAS 的统计基础、变异临床解释的频率参考、以及理解人类进化历史的理论框架。

为什么重要

变异解释需要群体背景

单个位点的变异频率不能孤立解释：

• 一个罕见变异可能在某些人群中相对常见（人群特异性）；
• 变异致病性需要考虑其在人群中的频率和分布；
• 携带者频率（carrier frequency）与疾病发病率的关系需要群体遗传学模型。

GWAS 假阳性控制

GWAS 最大的挑战之一是群体结构导致的假阳性：

• 如果病例和对照来自不同祖源群体，某些位点的频率差异可能反映祖源而非疾病；
• 需要 PCA、线性混合模型等方法校正群体分层；
• Hardy–Weinberg 平衡偏离也是质量控制的重要指标。

Fine-mapping 的基础

连锁不平衡决定了变异之间的相关性：

• LD block 内的多个变异高度相关，难以区分因果变异；
• Tag SNP 策略利用 LD 减少需要检测的位点数；
• Fine-mapping 需要理解 LD 结构和重组热区。

进化机制理解

群体遗传学帮助理解：

• 为什么某些变异在不同人群中频率差异巨大；
• 选择压力如何塑造基因组（如清除选择、平衡选择）；
• 人类迁徙历史和混合事件如何影响现代人群的遗传结构。

核心理论框架

1. Hardy–Weinberg 平衡：随机交配的数学推论

1908年，G. H. Hardy 和 Wilhelm Weinberg 独立证明了一个基本定理：在一个理想化的随机交配群体中，如果没有突变、选择、迁移和遗传漂变，等位基因频率和基因型频率将在代际间保持稳定。

对于双等位基因位点，若等位基因频率为 $p$ 和 $q$（$p + q = 1$），则基因型频率满足：

$f(AA) = p^2, \quad f(Aa) = 2pq, \quad f(aa) = q^2$

这一简单关系是群体遗传学的数学基石。它不仅提供了计算等位基因频率的理论基础，更重要的是——偏离 HWE 往往是数据质量问题或真实生物学信号的第一个警示。

常见偏离原因：

• 非随机交配：近亲繁殖或群体分层导致纯合子 excess；
• 选择压力：有害变异的负选择或有利变异的正选择；
• 遗传漂变：小群体中的随机采样波动；
• 技术因素：分型错误、测序偏差或样本污染。

2. 连锁不平衡（LD）：重组的对抗力量

连锁不平衡描述的是：在群体中，不同位点上的等位基因并非独立组合，而是以高于（或低于）随机期望的频率共同出现。

考虑两个位点 A 和 B。如果它们完全独立，则单倍型 AB 的频率应等于 $p_A \times p_B$。若观察到的频率 $P_{AB}$ 显著偏离此期望值，则存在连锁不平衡：

$D = P_{AB} - p_A p_B$

LD 的产生源于重组的历史限制——当两个位点在染色体上距离较近时，世代间的重组事件难以将它们打散。因此，LD 的衰减速度直接反映了群体的重组历史和有效群体大小。

常用度量指标：

• $D'$：标准化的 LD 系数，范围 $[0, 1]$，适用于不同频率位点的比较；
• $r^2$：相关系数的平方，直接反映一个位点预测另一个位点的能力；
• Haplotype block：基因组中 LD 高度连贯的区域，暗示重组抑制。

LD 对生物信息学实践的影响深远：

• GWAS 的信号扩散：显著位点周围的高 LD SNP 形成关联信号峰；
• Tag SNP 策略：利用 LD 结构，用少量 SNP 代表整个 block 的信息；
• Fine-mapping 挑战：高 LD 区域难以区分真正的因果变异与统计伴随。

3. 群体结构：混杂的根源

群体结构（population structure）指样本并非来自一个遗传上均匀混合的群体，而是由具有不同祖源背景的亚群体构成。这种结构是 GWAS 中最隐蔽也最危险的混杂来源。

假设病例组主要来自群体 A，对照组主要来自群体 B。即使所研究的 SNP 与疾病无关，由于群体 A 和 B 在该位点的基线频率差异，也会产生显著的虚假关联。

主成分分析（PCA）是检测群体结构的常用工具。在基因型矩阵上进行 PCA，前几个主成分往往对应主要的祖源轴——样本在 PC1-PC2 平面上的分布常与地理来源高度一致。

其他检测与校正方法：

• ADMIXTURE：基于模型的祖源成分估计；
• $F_{ST}$：衡量亚群间遗传分化程度；
• 线性混合模型：在关联检验中直接建模个体间的遗传相似性。

标准分析流程

1. 数据准备

• 基因型数据：PLINK 格式（.bed/.bim/.fam）或 VCF；
• 质量控制：去除低质量样本和位点（缺失率、MAF、HWE）；
• 参考数据：如 1000 Genomes、gnomAD 作为频率参考。

2. 基础统计

• 等位基因频率：计算每个位点的频率；
• Hardy–Weinberg 检验：识别偏离平衡的位点；
• LD 计算：计算位点间的 D’ 和 r²。

3. 群体结构分析

• PCA：识别主要遗传成分；
• ADMIXTURE：估计祖源成分；
• 系统发育树：构建样本间的遗传关系。

4. 关联分析（GWAS）

• 关联检验：线性/逻辑回归检验基因型-表型关联；
• 多重检验校正：控制 FDR 或使用 Bonferroni；
• 群体校正：加入 PCA 主成分或使用混合模型。

输入输出

输入

• 基因型数据：PLINK 格式或 VCF；
• 表型数据：定量性状、二分类性状等；
• 协变量：年龄、性别、PC 主成分等；
• 参考数据：用于频率比较或祖源估计。

输出

• 等位基因频率：每个位点的频率；
• LD 矩阵：位点间的 LD 关系；
• PCA 坐标：样本的主成分坐标；
• 关联结果：p-value、效应大小、置信区间；
• 祖源估计：个体的祖源成分比例。

常见误区

• Hardy–Weinberg 平衡被违反就是错的：
• 不对。实际群体中，HWE 偏离很常见，可能反映选择、漂变或亚群结构。需要结合上下文解释。
• LD 越高越好：
• 不对。高 LD 虽然有利于 tag SNP 策略，但会使 fine-mapping 困难，难以确定因果变异。
• PCA 前几个主成分一定反映生物学意义：
• 不对。PCA 主成分可能反映技术批次、样本污染等问题，需要结合元数据验证。

推荐阅读顺序

1. Hardy–Weinberg 平衡
2. 连锁不平衡
3. GWAS
4. 群体结构

子主题导航

Hardy–Weinberg 平衡

理解基因型频率、等位基因频率与偏离平衡的原因。

进入子主题

连锁不平衡

理解 LD、重组、haplotype block 与 tag SNP。

进入子主题

GWAS

从关联检验到 Manhattan plot 和群体校正。

进入子主题

群体结构

PCA、ADMIXTURE 与群体分层校正。

进入子主题

与其他板块的连接

前置

DNA-seq 变异检测总览

理解单个样本的变异检测，再放到群体背景中解释。

延伸阅读

相关

系统发育树

群体遗传学和系统发育树都从进化角度理解序列关系。

延伸阅读

应用

临床变异解释

群体频率是临床变异解读的重要参考依据。

延伸阅读