群体结构

快速概览

群体结构（Population Structure）是指样本并非来自遗传均匀的单一群体，而是由具有不同祖源背景的亚群构成。这种不均匀性是 GWAS 中虚假关联的主要来源，必须通过统计手段进行校正。

理解群体分化的衡量指标：$F_{ST}$ 系数
掌握主成分分析（PCA）如何在基因型空间中揭示样本的地理/历史背景
理解混合人群（Admixture）的比例推断模型
掌握在关联分析中控制群体混杂的算法策略

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. 群体结构的起源：隔离与漂变

人类由于地理、文化或历史原因，在漫长的演化中形成了不同的亚群。

遗传漂变（Genetic Drift）：在小规模亚群中，碱基频率会由于随机采样发生剧烈波动。
选择（Selection）：不同环境导致特定位点在亚群间出现显著的频率差异。

数学表征（ $F_{ST}$ ）： $F_{ST}$ 用于量化亚群间的分化程度。

$F_{ST} = 0$ ：完全均匀混合。
$F_{ST} = 1$ ：完全分化（亚群间固定了不同的等位基因）。
直觉：人类大洲间群体的 $F_{ST}$ 约为 0.1-0.15，说明 10-15% 的变异可由祖源差异解释。

$F_{ST}$ 的形式化定义

考虑一个由 $K$ 个亚群组成的总体，设第 $k$ 个亚群的样本量为 $n_k$ ，等位基因 $A$ 在该亚群中的频率为 $p_k$ 。令总样本量为 $N = \sum_{k=1}^{K} n_k$ ，总体等位基因频率的加权均值为：

$\bar{p} = \sum_{k=1}^{K} \frac{n_k}{N} p_k$

则 $F_{ST}$ 可定义为：

$F_{ST} = \frac{\sum_{k=1}^{K} \frac{n_k}{N}(p_k - \bar{p})^2}{\bar{p}(1 - \bar{p})}$

分子衡量的是亚群间等位基因频率的方差，分母是总体等位基因频率的理论方差。 $F_{ST}$ 越大，说明亚群间的遗传分化越强烈。

Wright 的分层模型

Sewall Wright 将群体遗传变异分解为三个层级：

$F_{ST} = \frac{\sigma^2_{\text{between}}}{\sigma^2_{\text{total}}} = 1 - \frac{H_S}{H_T}$

其中 $H_S$ 是亚群内的平均杂合度（Expected Heterozygosity）， $H_T$ 是总体的杂合度。这一分解直接告诉我们： $F_{ST}$ 衡量的是亚群内丢失了多少遗传多样性。

2. 识别工具：主成分分析（PCA）

PCA 是识别群体结构最常用的降维工具。

逻辑：将数百万个 SNP 投影到二维或三维空间中。
发现：研究证明，基因型的前两个主成分（PC1 和 PC2）往往能完美映射出样本的地理起源（如”欧洲地图”效应）。
算法用途：在 GWAS 中将这些 PC 作为协变量，可以有效抵消背景差异。

PCA 在基因型数据上的数学框架

设我们有 $n$ 个个体和 $m$ 个 SNP 位点。基因型矩阵 $\mathbf{X} \in \mathbb{R}^{n \times m}$ ，其中 $X_{ij}$ 为第 $i$ 个个体在第 $j$ 个位点上的基因型值（编码为 0、1、2）。

PCA 的计算步骤如下：

中心化：对每个 SNP 列减去其均值 $\mu_j$ ，得到 $\tilde{\mathbf{X}}$ 。
协方差矩阵：计算 $\mathbf{C} = \frac{1}{m}\tilde{\mathbf{X}}\tilde{\mathbf{X}}^T$ （注意此处是对 SNP 维度求平均，与标准 PCA 的 $1/n$ 不同，这是 EIGENSOFT 的做法）。
特征分解：对 $\mathbf{C}$ 进行特征分解，取前 $d$ 个最大特征值对应的特征向量 $\mathbf{v}_1, \ldots, \mathbf{v}_d$ 。

每个个体 $i$ 在第 $k$ 个主成分上的坐标为 $v_{ik}$ 。这些坐标就是我们在散点图中看到的”PC 值”。

为什么前几个 PC 能反映祖源？

直觉在于：如果群体中存在亚群结构，那么同一亚群的个体共享更多的等位基因。这种共享在基因型矩阵中表现为行之间的相关性——来自同一亚群的个体的行向量更为相似。PCA 的前几个主成分恰好捕捉了这种行间相关性最大的方向。

谱分解法 vs. Nystrom 近似

当 $n$ 很大时（如 UK Biobank 的 50 万样本）， $n \times n$ 协方差矩阵的特征分解在计算上不可行。实际工具采用以下策略：

精确谱分解（Exact Eigendecomposition）: 直接对协方差矩阵做特征分解。适用于样本量在数万以内的情况。EIGENSOFT 的早期版本采用此方法。
随机投影（Randomized SVD）: 先通过随机矩阵将问题投影到低维空间，再进行精确分解。复杂度从 $O(n^3)$ 降至 $O(n^2 r)$，其中 $r$ 为目标维度。FlashPCA2 采用此策略。

3. 群体混合（Admixture）模型

许多现代人是多个祖先群体的混合。

STRUCTURE/ADMIXTURE 算法：假设存在 $K$ 个祖先群，计算每个个体来自这些祖先群的百分比。
统计原理：基于隐马尔可夫模型（HMM）或期望最大化（EM）算法，通过观测到的 SNP 组合反推最可能的祖源构成。

ADMIXTURE 的数学模型

假设存在 $K$ 个祖先群体。对于个体 $i$ ，定义一个祖源比例向量 $\mathbf{q}_i = (q_{i1}, \ldots, q_{iK})$ ，满足 $\sum_{k=1}^{K} q_{ik} = 1$ 。

每个祖先群体 $k$ 在第 $j$ 个 SNP 上具有等位基因频率 $f_{kj}$ 。个体 $i$ 在该位点上的基因型概率为：

$P(G_{ij} \mid \mathbf{q}_i, \{f_{kj}\}) = \sum_{k=1}^{K} q_{ik} \cdot P(G_{ij} \mid f_{kj})$

其中 $P(G_{ij} \mid f_{kj})$ 是在群体 $k$ 的等位基因频率下观察到该基因型的概率（基于 Hardy—Weinberg 平衡）。

ADMIXTURE 使用块松弛 EM (Block Relaxation EM) 算法交替优化 $\mathbf{q}$ 和 $\mathbf{f}$ ，并引入正则化项防止过拟合。

如何选择 $K$ ？

$K$ 的选择是 Admixture 分析中的关键问题。常用的策略包括：

交叉验证（Cross-validation, CV）：ADMIXTURE 内置 CV 功能，将数据随机分为训练集和验证集，选择使验证集似然最大的 $K$ 。CV 误差在 $K$ 增加时通常会先下降后趋于平坦，“拐点”处即为合理的 $K$ 值。
进化先验：结合考古学和语言学知识判断。例如对欧亚大陆人群， $K=3$ 通常能分离出非洲、欧洲和东亚三个主要祖源成分。

4. 为什么它是 GWAS 的”幽灵”？

如果在病例组中正好包含了较多来自亚群 A 的样本，而对照组多来自亚群 B：

任何在 A 和 B 之间频率不同的 SNP（即便与疾病无关）都会在统计上显示显著关联。
后果：产生海量的假阳性信号，掩盖真实的致病变异。

一个简单的数值例子

假设我们研究某个疾病，病例组中 80% 来自亚群 A（某等位基因频率 $p_A = 0.6$ ），20% 来自亚群 B（ $p_B = 0.2$ ）；对照组中 20% 来自 A，80% 来自 B。

该等位基因在病例组中的混合频率为： $p_{\text{case}} = 0.8 \times 0.6 + 0.2 \times 0.2 = 0.52$

在对照组中的混合频率为： $p_{\text{control}} = 0.2 \times 0.6 + 0.8 \times 0.2 = 0.28$

尽管该等位基因与疾病完全无关，但由于两组的亚群构成不同， $p_{\text{case}}$ 与 $p_{\text{control}}$ 出现了巨大差异，在统计检验中将产生高度显著的假阳性信号。

5. 在 GWAS 中校正群体结构

PCA 校正

将 PCA 提取的前若干个主成分（通常是 PC1—PC10）作为协变量加入回归模型：

$Y_i = \beta_0 + \beta_g G_i + \sum_{k=1}^{d} \gamma_k \text{PC}_{ik} + \epsilon_i$

其中 $Y_i$ 是表型， $G_i$ 是基因型， $\text{PC}_{ik}$ 是第 $k$ 个主成分。 $\beta_g$ 即为校正群体结构后的关联效应。

线性混合模型（Linear Mixed Model, LMM）

当群体结构非常复杂（如存在隐匿的亲缘关系或精细分层）时，PCA 可能不足以完全捕获混杂。LMM 通过引入遗传亲缘关系矩阵（Genetic Relationship Matrix, GRM） 来建模个体间的全基因组相似度：

$\mathbf{K} = \frac{1}{m}\tilde{\mathbf{X}}\tilde{\mathbf{X}}^T$

LMM 的模型形式为：

$\mathbf{Y} = \mathbf{X}\boldsymbol{\beta} + \mathbf{u} + \boldsymbol{\epsilon}$

其中 $\mathbf{u} \sim \mathcal{N}(\mathbf{0}, \sigma_g^2 \mathbf{K})$ 为随机效应， $\boldsymbol{\epsilon} \sim \mathcal{N}(\mathbf{0}, \sigma_e^2 \mathbf{I})$ 为残差。 $\sigma_g^2 / (\sigma_g^2 + \sigma_e^2)$ 被称为遗传力（Heritability） 的 SNP 估计值。

LMM 的优势在于：即使不显式提取 PC，GRM 本身就已经编码了所有成对亲缘关系信息，因此能更灵活地处理复杂的群体结构。

PCA 与 LMM 的选择

维度	PCA 校正	LMM
计算速度	快	较慢（需估计方差分量）
模型假设	线性协变量	正态随机效应
适用场景	中等程度群体分层	近亲、精细分层、样本间亲缘关系复杂
代表工具	PLINK, EIGENSOFT	GEMMA, BOLT-LMM, SAIGE

6. 常见误区

常见误区

将 PCA 的前两个主成分当作"种族"的替代指标。PC 反映的是连续的遗传梯度，而非离散的分类。强行将 PC 空间划分为"种族"会丢失大量信息。
在 GWAS 中忽略群体结构校正就直接进行关联分析。未校正的 GWAS 结果几乎一定会产生大量假阳性，特别是在多中心、跨祖源的研究中。
混淆 $F_{ST}$ 与遗传距离。$F_{ST}$ 衡量的是群体间的相对分化程度，而遗传距离（如 Nei 距离）衡量的是绝对差异。两者在不同场景下的解读不同。
Admixture 分析中盲目追求最大的 $K$ 值。更大的 $K$ 并不意味着更好的生物学解释，过大的 $K$ 会将噪音拟合为"祖源成分"。
假设 PCA 校正后的残差就完全消除了群体混杂。如果真实群体结构与提取的 PC 不对齐（如存在 PCA 无法捕获的精细结构），残差中仍可能残留混杂信号。

7. 应用场景

群体结构分析不仅服务于 GWAS，还广泛应用于以下领域：

祖源推断（Ancestry Inference）：在法医学中推断未知样本的地理来源；在临床遗传学中识别患者的祖源背景以选择合适的参考面板。
自然选择检测：通过 $F_{ST}$ 扫描寻找在特定人群中受到强烈选择的基因组区域，如乳糖酶基因（LCT）在欧洲人群中的选择性清除。
群体历史重建：结合 PCA 和 Admixture 分析重建人类走出非洲、跨大陆迁徙的历史。
复制研究设计：在跨祖源的 GWAS 复制研究中，合理匹配病例组和对照组的祖源构成是保证复制可靠性的前提。