Hardy–Weinberg 平衡

快速概览

Hardy–Weinberg 平衡（HWE）是群体遗传学的理论基石。它证明了在理想条件下，等位基因频率和基因型频率将在代际间保持不变。这一模型为识别进化压力和评估测序质量提供了关键参照。

• 理解随机交配下基因型频率的数学推导：$p^2 + 2pq + q^2 = 1$
• 掌握 HWE 的五个理想假设条件：大群体、随机交配、无突变、无选择、无迁移
• 学习如何利用卡方检验或精确检验评估位点是否偏离平衡
• 掌握 HWE 过滤在 GWAS 质量控制中的应用逻辑

前置知识

• 概率与图基础
• 变异检测总览

所属板块 分析方向与案例

把基础对象与算法方法重新放回真实分析任务与工作流。

阅读目标 帮助建立阅读上下文

先判断这页与你当前问题的关系，再决定是否深入展开。

建议前置 先建立相关基础对象与方法直觉

建议先建立相关基础对象与方法直觉，再进入本页。

1. 理想群体的稳定性

1908 年，Hardy 和 Weinberg 独立证明了一个深刻的结论：在没有进化动力干扰的情况下，孟德尔遗传本身不会改变群体的遗传组成。

数学推导

设等位基因 $A$ 的频率为 $p$，等位基因 $a$ 的频率为 $q$（$p+q=1$）。 在随机交配下，下一代的基因型频率将达到平衡：

• $f(AA) = p^2$
• $f(Aa) = 2pq$
• $f(aa) = q^2$

直觉：这就像是从一个巨大的”基因池”中随机抽取两个碱基。抽取两个 $A$ 的概率是 $p \cdot p$，抽取一个 $A$ 一个 $a$ 的组合有两种（$Aa$ 或 $aA$），概率为 $2pq$。

Punnett 方格推导

使用 Punnett 方格可以更直观地理解这一推导过程。设父方和母方的等位基因频率相同（因为群体等位基因频率不因性别而异），则：

	$A$ ($p$)	$a$ ($q$)
$A$ ($p$)	$AA$ ($p^2$)	$Aa$ ($pq$)
$a$ ($q$)	$Aa$ ($pq$)	$aa$ ($q^2$)

汇总后得到基因型频率：$p^2 + 2pq + q^2 = (p+q)^2 = 1$。

平衡的代际稳定性

HWE 的一个关键性质是：一旦达到平衡，基因型频率将永远保持不变。证明如下：

设第 $t$ 代的等位基因频率为 $p_t$ 和 $q_t$。第 $t+1$ 代的基因型频率为：

$f(AA)_{t+1} = p_t^2, \quad f(Aa)_{t+1} = 2p_t q_t, \quad f(aa)_{t+1} = q_t^2$

第 $t+1$ 代的等位基因频率为：

$p_{t+1} = f(AA)_{t+1} + \frac{1}{2}f(Aa)_{t+1} = p_t^2 + p_t q_t = p_t(p_t + q_t) = p_t$

因此 $p_{t+1} = p_t$，等位基因频率在代际间保持不变。这意味着 HWE 不仅是一个平衡状态，而且是一个稳定平衡——任何偏离都会在一代之内恢复。

2. HWE 的五个假设条件

HWE 的成立依赖以下五个理想假设。在自然界中，这些条件几乎不可能同时满足，但 HWE 的价值恰恰在于：当实际数据偏离 HWE 时，说明至少有一个假设被打破了。

无限大的群体（Infinite Population）

消除遗传漂变的影响。实际群体是有限的，小群体中漂变会导致等位基因频率随机波动，最终可能固定或丢失。

随机交配（Random Mating）

个体间的交配不依赖于基因型。近亲繁殖（Inbreeding） 是最常见的非随机交配形式，会增加纯合子的比例。

无突变（No Mutation）

等位基因之间不发生转换。实际突变率约为 $10^{-8}$ 每碱基每代，虽然很低但长期累积会影响频率。

无选择（No Selection）

所有基因型的适合度（Fitness） 相同。自然选择会改变等位基因频率，使有利等位基因的频率逐代增加。

无迁移（No Migration）

没有个体迁入或迁出。基因流（Gene Flow） 会引入新的等位基因或改变现有频率。

3. 平衡的破坏：进化的证据

如果一个位点显著偏离 HWE，通常意味着以下情况之一正在发生：

• 选择（Selection）：某种基因型具有生存优势。
• 群体分层（Population Stratification）：样本其实来自两个演化背景不同的亚群（Wahlund 效应）。
• 近亲繁殖（Inbreeding）：增加了纯合子的比例。
• 技术噪音：这是生物信息学中最常见的解释——该位点可能存在测序错误或比对歧义。

Wahlund 效应

当样本中混合了两个等位基因频率不同的亚群时，即使每个亚群内部都满足 HWE，混合后的整体也会偏离 HWE。

设亚群 1 中等位基因 $A$ 的频率为 $p_1$，亚群 2 中为 $p_2$（$p_1 \neq p_2$）。混合后观察到的杂合子频率为：

$f(Aa)_{\text{obs}} = 2 \cdot \frac{p_1 + p_2}{2} \cdot \frac{q_1 + q_2}{2} = 2 \bar{p} \bar{q}$

但如果两个亚群各自满足 HWE，真实杂合子频率的加权平均为：

$f(Aa)_{\text{true}} = \frac{1}{2}(2p_1 q_1 + 2p_2 q_2) = p_1 q_1 + p_2 q_2$

由于方差的凸性，$f(Aa)_{\text{true}} < f(Aa)_{\text{obs}}$ 的期望（当两个亚群等量混合时等号成立）。更准确地说，混合群体的纯合子比例会偏高，杂合子比例会偏低——这就是 Wahlund 效应的核心。

近交系数（Inbreeding Coefficient, $F$）

近交系数 $F$ 量化了群体中纯合子比例相对于 HWE 期望的偏离程度：

$f(AA) = p^2 + Fpq$ $f(Aa) = 2pq(1-F)$ $f(aa) = q^2 + Fpq$

• $F = 0$：随机交配（HWE 成立）。
• $F = 1$：完全自交（只有纯合子）。
• $F > 0$：纯合子过剩（近交）。
• $F < 0$：杂合子过剩（负选型交配或超显性选择）。

4. 在 GWAS 中的质量控制（QC）

在全基因组关联研究中，HWE 检验是过滤”垃圾信号”的强力工具。

过滤逻辑

• 对照组（Controls）：如果对照组位点偏离 HWE（如 $p < 10^{-6}$），通常认为该位点是由于技术缺陷（如探针质量差）造成的假信号，应予以剔除。
• 病例组（Cases）：慎重过滤。与疾病强相关的致病位点在病例组中天然可能偏离 HWE，这是真实的生物学信号。

为什么对照组的 HWE 偏离更可能是技术问题？

对照样本应代表”健康”群体的遗传背景。如果某个位点在对照组中偏离 HWE，最可能的原因不是自然选择或群体结构（这些因素同样影响病例组），而是：

• 基因分型错误：探针或引物无法正确区分基因型，导致杂合子被错误分类为纯合子。
• 比对歧义：在重复区域中，reads 被比对到错误的基因组位置，产生虚假的纯合信号。
• 拷贝数变异（CNV）：该位点位于拷贝数变异区域，导致基因型计数异常。

5. 统计检验方法

卡方检验（Chi-square）

适用于样本量较大的情况。通过比较观察计数与 HWE 期望计数之间的差异来计算显著性。

精确检验（Exact Test）

适用于稀有变异或小样本。它直接计算所有可能基因型组合的概率，是目前 GWAS 分析的工业标准。

卡方检验的数学形式

设某位点有 $n$ 个个体，观察到 $n_{AA}$ 个 $AA$ 基因型、$n_{Aa}$ 个 $Aa$ 基因型、$n_{aa}$ 个 $aa$ 基因型。等位基因频率的估计为：

$\hat{p} = \frac{2n_{AA} + n_{Aa}}{2n}, \quad \hat{q} = \frac{2n_{aa} + n_{Aa}}{2n}$

HWE 期望计数为：

$E(AA) = n\hat{p}^2, \quad E(Aa) = 2n\hat{p}\hat{q}, \quad E(aa) = n\hat{q}^2$

卡方统计量为：

$\chi^2 = \sum_{\text{genotypes}} \frac{(O - E)^2}{E}$

在零假设下，$\chi^2$ 近似服从自由度为 1 的卡方分布（因为三个基因型的自由度为 2，减去一个估计的参数 $p$，剩余自由度为 1）。

精确检验

当某些期望计数较小时（通常 $E < 5$），卡方近似不可靠。精确检验通过枚举所有可能的基因型分布来计算精确的 P 值。

具体地，固定 $n$ 和 $\hat{p}$ 后，$n_{Aa}$ 的所有可能取值为 $0, 1, 2, \ldots, n$（且保持 $n_{AA}$ 和 $n_{aa}$ 为非负整数）。对于每个可能的 $n_{Aa}$，计算其条件概率：

$P(n_{Aa} \mid n, \hat{p}) \propto \frac{n!}{n_{AA}! \, n_{Aa}! \, n_{aa}!} \, (\hat{p}^2)^{n_{AA}} (2\hat{p}\hat{q})^{n_{Aa}} (\hat{q}^2)^{n_{aa}}$

P 值为所有概率不大于观测值的分布的概率之和。

6. Worked Example：HWE 检验

问题

在某群体中检测一个 SNP，观察到 1000 个个体的基因型分布如下：

基因型	观察计数
$AA$	420
$Aa$	400
$aa$	180

该位点是否满足 HWE？

求解

步骤 1：估计等位基因频率。

$\hat{p} = \frac{2 \times 420 + 400}{2 \times 1000} = \frac{1240}{2000} = 0.62$ $\hat{q} = 1 - 0.62 = 0.38$

步骤 2：计算 HWE 期望。

$E(AA) = 1000 \times 0.62^2 = 384.4$ $E(Aa) = 1000 \times 2 \times 0.62 \times 0.38 = 471.2$ $E(aa) = 1000 \times 0.38^2 = 144.4$

步骤 3：计算卡方统计量。

$\chi^2 = \frac{(420 - 384.4)^2}{384.4} + \frac{(400 - 471.2)^2}{471.2} + \frac{(180 - 144.4)^2}{144.4}$ $= \frac{1267.36}{384.4} + \frac{5068.84}{471.2} + \frac{1267.36}{144.4}$ $= 3.30 + 10.76 + 8.78 = 22.84$

步骤 4：查表。自由度为 1，$\chi^2 = 22.84$ 对应 $P < 10^{-5}$。该位点显著偏离 HWE。

解读：观察到 $AA$ 纯合子过剩（420 vs 384）和杂合子不足（400 vs 471），可能的原因包括群体分层或技术问题。

7. HWE 与等位基因频率估计

在生物信息学中，HWE 还提供了一个重要的实用功能：从基因型数据中估计等位基因频率。

当数据满足 HWE 时，最大似然估计（MLE） 给出的等位基因频率为：

$\hat{p}_{\text{MLE}} = \frac{2n_{AA} + n_{Aa}}{2n}$

这与简单计数法给出的结果一致。但当 HWE 不成立时，MLE 估计可能需要考虑更复杂的模型（如考虑近交系数 $F$）。

8. 常见误区

常见误区

• 认为 HWE 是自然界的"默认状态"。实际上，自然群体几乎不可能完全满足 HWE 的五个假设。HWE 的价值在于作为参照系来检测偏离。
• 在 GWAS 中对病例组和对照组使用相同的 HWE 过滤阈值。病例组中致病位点天然可能偏离 HWE，过度过滤会丢失真实的遗传信号。
• 将 HWE 偏离等同于"数据质量问题"。虽然技术问题是最常见的原因，但真实的生物学因素（选择、群体结构）同样会导致偏离。
• 在样本量很小时使用卡方检验。小样本下卡方近似不可靠，应使用精确检验。
• 忽略多重检验问题。在全基因组范围内进行 HWE 过滤时，$P < 10^{-6}$ 的阈值已经考虑了数百万个位点的同时检验。

9. 与真实工具的连接

与真实工具或流程的连接

• **PLINK**：`--hardy` 参数可对每个 SNP 执行 HWE 精确检验，`--hwe` 参数用于过滤偏离 HWE 的位点。
• **VCFtools**：`--hardy` 命令可计算 VCF 文件中每个位点的 HWE P 值。
• **bcftools**：`+hardy` 插件可直接在 VCF 中添加 HWE 统计信息。
• **Plink2**：支持按组别（如病例组/对照组）分别进行 HWE 检验，便于实现差异化的质控策略。

相关页面

GWAS 分析

关联研究的统计模型

延伸阅读

连锁不平衡

位点间的非随机关联

延伸阅读

群体结构

理解样本的演化背景

延伸阅读