群体遗传结构

目录前言遗传变异检测包括哪些流程一、原始数据清理二、mapping组装三、标记重复四、变异检测五、联合分析六、提取SNP、Indel七、SNP、Indel硬过滤八、SNP注释九、SNP过滤十、群体遗传结构分析1.LD衰减图谱2.PCA图绘制3.NJ树绘制4.群体结构分析十一、选择清除1.遗传多样性前言自用对自己之前学习的一个总结主要是遗传变异检测尚未涉及到GWAS的那一部分。该博文包括了基础知识、概念等算一个重新系统的总结本子上太难找了还有把本子上的内容腾到了电脑上。由于可使用数据量不够使用的参考基因组不是正确的常用基因组导致最后结果可能出现偏差。整个流程结合了知乎CSDNwx公众号上的教程进行代码和基础知识的学习。此外由于记性不好所以部分词语可能和专业词汇不一致我有点记不住虽然已经在努力记住了遗传变异检测包括哪些流程一般而言遗传变异检测整个流程包括原始数据清理mapping组装标记重复变异检测联合分析提取snp、indel硬过滤snp注释snp过滤种群结构结构分析遗传多样性与选择信号分析以上就是基本流程GWAS相较而言会多出表型和全基因组的关联分析请注意GWAS需要大量样本数据之前听销售和师姐聊天听了一耳朵最低好像是需要一种性状100个样本总之就是数据量很大如果只是单纯的做群体遗传结构分析的话20个样本够了。一、原始数据清理首先要知道对于原始数据清理的是什么。包括了illumina等二代测序机器在待测read两端的接头为保证正确率现在一般是使用双端测序和低质量碱基片段。拿到原始数据后需要对数据进行评估后再进行数据清理有很多的软件可以实现该功能有比较经典的FastQCTrimmomaticFastQC质控Trimmomatic去除接头此外还有很多软件可供使用选择可根据自身的需求和前代人的遗留选择软件这里使用fastp该软件可以质控去除接头同时进行。fastp的官网查看https://github.com/OpenGene/fastp下载的话如果说安装了conda可以直接通过conda下载。想了解更多关于该软件的东西可以查看该文章(2 封私信 / 26 条消息) fastp: 一款超快速全功能的FASTQ文件自动化质控过滤校正预处理软件 - 知乎关于相关代码参数可以看该文章fastp安装及使用-fastp v0.23.4bioinfomatics tools-002-CSDN博客这段参数的意思是生成.html和.json文本使用柔性剪切使用4bp碱基的窗口窗口碱基平均质量30从5端到3端滑动修剪允许碱基N占比上限10%开启接头自动检测并且过滤掉长度小于50bp的read片段。另外此处的剪切在不同的论文文献里面的剪切选择都不同有些是按照窗口进行剪切有些是按照低质量碱基所占整条reads的比列也会有按照read平均碱基质量进行清除在.html文件中会出现很多数据重点看Q30,Q20,DuplicationRate此外还可以看CG含量等二、mapping组装这一部分包括了比对和排序mapping使用了baw排序使用了samtools。同样这两个软件也可以使用conda直接下载bwaBWA使用详解 - 简书samtoolsSamtools安装与使用-samtools-v1.17bioinfomatics tools-007-CSDN博客mem是bwa的一种算法是更加通用现代的方法-R则是必须要的参数。这个参数的目的是用于指定Read Group信息提供有关样本来源的元数据。Read Group信息对于下游分析如变异检测、样本合并至关重要为防止后续不报错这一步一定要加上。RG表示这是一个Read Group的标签。最后得到的文件是sam文件为了计算资源的节省需要将sam文件转换成bam文件内容没有区别只是bam文件相当于sam文件的压缩包后对文件进行排序有多个文件需要处理的话可以写一个循环记得对bam文件索引方便后续文件处理。另注意比对率我使用这个流程跑出来记录下来的log日志文件不存在比对率问了ai说可能是被缓冲掉了不过可以使用samtools flagstat对bam文件的比对率进行查看命令后直接接bam文件即可一般来说bam比对率应该≥95%注samtools在生物信息学中普遍使用功能非常多而且大多都是可能会在过程中涉及到的基础功能。同样的软件还有bedtools也是比较重要。三、标记重复产生重复有两种原因一是利用PCR构建文库时可能会产生重复。此外重复读段也可能由单个放大簇引起测序仪器的光学传感器错误地检测为多个簇。这些复制伪影被称为光学重复。标记重复的原因主要是为了减少下游对SNP检测的干扰。read的条数对SNP计数非常重要因此需要对序列中的重复进行标记。这一步主要是使用GATK MarkDuplicateGATK这个软件以及它的相关功能在snp的检测提取等等一系列方面都有应用。注GATK官方文档* Tool Documentation Index – GATK里面包括了GATK的各种功能后续的变异检测联合分析等等都会使用到这个软件由于GATK官方在不断更新因此具体的使用以及参数说明请参照具体使用的版本的参照书。四、变异检测gatk检测到的变异包括SNP单核苷酸变异indel插入变异此处使用GATK HapkotypeCaller--ploidy是物种是几倍体2代表物种是二倍体。该步骤能对SNP和Indel的变异进行检测生成对应的gvcf文件。部分物种在变异检测前还可进行BQSR碱基质量重矫正但是这需要变异位点数据库只有部分物种例如人类有若样本无这种数据库则可以忽略这一步。此外还有个VQSR变异质量分数重矫正这个步骤需要在找到变异后vcf文件并且需要已知的变异作为训练集。此外查到有部分硕士毕业论文中存在局部比对经过ai查询该步骤在3.x版本及之前的版本是一个非常重要的步骤并且在BQSR后call变异之前但是在gatk 4.x版本中这一步以及被整合或者默认省略。五、联合分析这一步主要是针对多样本的处理gatk CombineGVCFs是专用于vcf文件合并的文件为了简便可以先将样本ID列成txt文件通过for循环实现多样本vcf文件合并此外gatk GenotypeGVCFs是在GATK中用于联合基因分型生成一个包含所有样本的联合基因型的VCF文件可以提高变异检测的准确性和可靠性。-R是参考基因组六、提取SNP、Indel从合并后的文件中将SNP、Indel提取出来一般使用gatk SelectVariants注意SNP和Indel需要分别提取文件出来七、SNP、Indel硬过滤此处为硬过滤硬过滤是基于测序质量的过滤SNP的MQ硬过滤参数在不同文献中可能不同但是一般而言选择MQ40,这是更加严格的处理模式此外的QD、FS的参数基本一致Indel参数在很多文献或论文中的参数基本都是一样的。各参数解释QD(Quality by Depth)变异质量值除以覆盖深度QUAL值是变异存在的总体可信度DP是该位点测序升读QD是标准后的质量值。该参数是过滤低质量/低支持度的变异。一个真实的变异通常应具有较高质量和足够的深度支持QD越低越不可信。FS(Fisher Strand):使用费希尔精确检验评估链偏向性。它检验支持变异的reads在正反链上的分布是否均匀。过滤由测序或比对产生的链特异性错误。例如某些技术错误只出现在特定方向的reads上。真实变异应该被正反链的reads均衡支持。FS值越高P值越小链偏向性越严重变异越可能是假阳性。对于SNP而言FS60意味着非常强的链偏向性。MQ(RMS Mapping Quality)对比质量均方根。计算所有覆盖该位点的reads的比对质量值(MAPQ)的平均值再开方。这是过滤那些比对模糊或困难区域的变异。低的平均比对质量意味着该区域的reads可能比对到了基因组的多个位置。真实变异应该在比对明确的区域40表示平均比对质量过低。MQRankSum(Mapping Quality Rank Sum Test)比对质量秩和检验。比较支持变异等位基因的reads和参考等位基因的reads的比对质量分布是否有差异。这是过滤因比对质量差异导致的假阳性。如果支持变异的reads比对质量普遍低于支持参考碱基的reads可能意味着这些reads本身比对不可靠它们支持的变异也可能是错误的。理想值应接近0。12.5意味着支持变异的reads比对质量显著低于支持参考碱基的reads。SOR(Strand Odds Ratio)链比值比。与FS类似这是另一种评估链偏向性的统计量比FS更加稳健尤其适用于低深度情况。真实变异应被双链均衡支持SOR值越高链偏向越强。ReadPosRankSum(Read Position Rank Sum Test)读取位置秩和检验。比较支持变异等位基因和参考等位基因的reads在测序片段上的位置分布。这是过滤由比对错误引起的假阳性。在reads末端测序错误率升高比对也更容易出错。如果支持变异的reads都集中在末端而支持参考碱基的reads分布均匀则变异可疑。理想值接近0。-8.0则表示支持变异的reads显著更集中于reads的起/末。以上的流程是参照(2 封私信 / 32 条消息) 重测序WGS标准化流程NGS数据-保姆级教程 - 知乎以及其他教程的补充学习的。八、SNP注释SNP注释需要gff文件或gtf文件如果使用的是非常规参考基因组可能导致不存在gff或gtf文件可以使用UCSC进行查找邪修方法让DS查找然后自己去验证链接不过没有专门注释的gff或gtf文件对后续的群体遗传以及gokegg确定前排表达基因还是会造成一点麻烦的一般注释文件下载可以从NCBI最权威、Ensemble、GENCODE、UCSC、iGenomes。在进行注释之前需要进行建库然后再进行注释。整个流程使用gtfToGenePred和annovar软件参照这个文章(2 封私信 / 30 条消息) ANNOVAR-注释软件用法详解 - 知乎一般来说SNP注释是为了注释它的位置和其与基因的关联这可为后续的关联分析做准备。从接下来开始就到了下游流程包括群体遗传结构分析遗传多样性与选择信号分析GWAS分析GWAS没有我数据量不够虽然试着做了一下但是效果不好所以就先不写了等要做的时候再写九、SNP过滤在后续一切的一些分析进行前需要对上面生成的SNP文件进行过滤。此处的过滤和上面的过滤不同GATK的过滤是硬过滤更多的是过滤因技术和设备等造成的误差错误检测的是“变异位点是否真实可靠”此处的过滤是使用软件进行对低质量的、不符合要求的数据进行过滤。plink使用【生信分析常用软件】plink常用功能-CSDN博客在进行plink之前需要将vcf文件转化为plink格式以便plink进行识别。除了使用plink对原vcf文件进行过滤外还需要使用plink对SNP进行LD连锁不平衡修剪plinkQC--geno缺失率在给定比例以下的标记将被剔除某个位点太多个体测不出来说明这个区域可能组装得不好或者是测序死区质量不可靠--maf最小等位基因频率在该值一下的标记将被剔除0.05这个标准比较严格通常只用于 GWAS因为频率太低的突变在统计学上没有足够的力量检测出关联不过其实感觉这个应该按照具体研究问题来看感觉0.01的标准也可以。--hwe哈德温伯格平衡检验P值低于该值的标记将被剔除。0.0001是HWE的P值阈值P值越小说明越不符合哈温伯格平衡。--allow-extra-chr允许其他形式的染色体名称--set-missing-var-ids ‘#’允许为没有ID的变异位点创建唯一且规范的标识符这是为了让后期使用R进行绘图不会报错--make-bed生成plink二进式的三个文件基于LD修剪--keep-allele-order强制plink保持参考等位基因和替代等位基因的顺序与输入文件完全一致。它强制保留输入文件中确切的等位基因顺序。对后续的遗传结构分析和PCA很重要因为颠等效价等位基因顺序会改变结果方向。--indep-pairwiseLD修剪参数是比较经典的参数看到好多论文和文章都在用从前往后是窗口步长阈值注除了plink外也可使用vcftools此外也有论文是先使用vcftools对变异位点进行粗筛然后使用plink进一步筛选snp位点又注MAF最小等位基因频率常见变异MAF≥0.05低频变异0.01≤MAF0.05罕见变异MAF≤0.01十、群体遗传结构分析这个部分主要是“三板斧”NJ树群体遗传结构图谱进化树还包括辅助的LD图。1.LD衰减图谱LD连锁不平衡群体中两个或者更多基因座通常是单核苷酸多态性SNP上的等位基因非随机关联在一起。某个基因座上的特定等位基因与另一个基因座上的特定等位基因在染色体上共同出现的频率一般显著高于随机组合的预期频率。连锁不平衡出现原因1、物理距离近两SNP在染色体位置上非常接近重组事件很少发生在它们之间因此祖先染色体上等位基因组合单倍型被完整地传递给后代难以被打破2、自然选择某个等位基因组合能带来生存或繁殖优势因此被正向选择在群体中频率升高导致其携带的等位基因表现为LD3、遗传漂变在小群体中由于随机抽样某些单倍型的频率可能偶然增加4、群体混合/瓶颈效应两个具有不同单倍型的群体混合或群体经历瓶颈时间后某些单倍型被固定或频率升高5、新的突变发生在特定的单倍型背景上在初始阶段会与附近形成完美的LD。LD核心在于研究多个不同位置之间的关联模式而不是单个位置内部的差异SNP只是用来标记的路标。衡量指标1、D值衡量重组历史范围从-1→1。|D|1表示完全LD两个位点从未发生历史重组事件D0表示连锁平衡SNP间完全独立。特点对低频等位基因敏感即使关联不强也能得到高|D|。2、值衡量预测能力范围从0→1。1表示完全LD知道一个位点的基因可以完美预测另一个位点的基因型0表示连锁平衡两个位点完全独立。特点在遗传研究中更常用值高意味着可以用一个SNP作为另一个SNP的代理。关于LD衰减更加详细的讲述可以看这两篇文章重测序与群体遗传之LD衰减分析群体遗传分析-LD 衰减分析Linkage Disequilibrium decay总的来说在LD衰减图谱中野生型的衰减距离小衰减快重组频繁经选择或者驯化的群体衰减距离大衰减慢重组少在绘制这个图谱前需要将合并在一起的过滤后的SNP文件按照样本类别分开此处使用PopLDdecay软件这个软件有专门的绘图脚本单个亚群Plot_OnePop.pl多亚群Plot_MultiPop.pl可以直接用这个脚本绘图然后还可以把绘制图的R脚本-keepR下载下来修改颜色等等(2 封私信 / 34 条消息) PopLDdecay 中文使用手册 - 知乎-MaxDist自定义最长的Decay距离, 默认的是300kb这个是LD衰减图X轴的最大的下标距离。-MAF最小等位基因频率过滤掉次要等位基因频率低于此阈值的 SNP。默认值为0.05频变异通常由测序错误引起或缺乏统计效力。-Miss最大缺失率过滤掉基因型缺失率高于此阈值的 SNP。高缺失率意味着该位点的分型质量不可靠。-Het最大杂合度比例过滤掉杂合子比例高于此阈值的SNP默认0.88过高的杂合度可能源于测序或比对错误如将旁系同源序列错误比对到同一位置剔除它们能减少噪音。-SubPop分组文件如果是多亚群样本绘制LD衰减图则需要生成第一列为文件名称第二列为品种名称的文件Black_LDdecayBlackWhite_LDdecayWhite2.PCA图绘制PCA又叫主成分分析通过PCA可以对数据实现降维以及可视化。通过PCA图可以看到样本的分组情况以及不同亚群间遗传关系远近不同组群离的越远说明种群间亲缘关系越远。PCA图横坐标第一主成分及贡献率贡献率最高的主成分贡献率是该主成分的方差在整体方差中的占比占比越高代表总体数据的权重越高纵坐标第二主成分及贡献率贡献率次高的主成分。进行PCA的方法同样不少为了方便同样选择了plink 的--pca参数--pca 后的数据是样本总数量后续可用R脚本对结果文件进行绘制3.NJ树绘制关于NJ树可以看这两个文章一文读懂进化树图文详解-CSDN博客 (2 封私信 / 40 条消息) 无根进化树与有根进化树特征、构建方式及使用场景 - 知乎进化树分为有根树和无根树有根树明确指定一个根节点用于表示一组物种或序列从共同祖先出发的进化方向和时间顺序。由于引入了进化起点有根进化树不仅包含序列之间的相对关系还提供了进化方向和分化顺序的信息。1有根进化树具有明确的进化方向通常从根节点向各个分支末端延伸2树中的每一个内部节点都可以被解释为一个祖先节点因此分支的分化顺序具有时间意义3在图示中有根树往往从一个共同起点向外展开并且图注通常会明确说明树的定根方式。无根树无根进化树不包含进化起点或方向主要用于显示序列或物种之间的相对亲缘关系。树的拓扑反映亲缘远近分支长度可表示遗传距离但无法区分祖先与后代。一般群体结构分析绘制的群体关系树就是无根树因为没有祖先群体不过如果在绘制时加上了外群样本那么可以使用mega将外群进行定根1树中不存在明确的起点或根节点也不指示进化方向2树的解读仅限于序列之间的相似性和分支结构不能用于推断分化先后顺序3在可视化上无根树通常呈放射状或任意方向展开其“上下左右”的布局不具有生物学意义。此外请注意bootstrap自举法只是用来评估树枝可靠性的方法有bootstrap并不代表画的就是有根树先前画图的时候没有学清楚以为bootstrap就是有根树绘制群体遗传关系树时使用了VCF2Dis这个软件能绘制带bootstrap和不带bootstrap的树注意该软件绘制出的树均为无根树所以不要纠结画的是什么树了而且因为 NJ 算法的数学特性默认不指定演化方向。VCF2Dis目前版本目前有四种距离矩阵计算1.an Example of nj-tree with no boostrap1.1To new all the sample p_distance matrix and newick tree based VCF, run VCF2Dis directly./bin/VCF2Dis -InPut in.vcf.gz -OutPut p_dis.mat# ./bin/VCF2Dis -InPut in.fa.gz -OutPut p_dis.mat -InFormat FA1.2To new sub group sample p_distance matrix and and newick tree ; put their sample name into File sample.list./bin/VCF2Dis -InPut chr1.vcf.gz chr2.vcf.gz -OutPut p_dis.mat -SubPop sample.list1.3To new group tree p_distance matrix and and newick tree ; pop.info file Format[sample group] (v1.56)./bin/VCF2Dis -InPut in.vcf.gz -OutPut p_dis.mat -InSampleGroup pop.info2.an Example of nj-tree with boostrap2.1Running multiple times by using a method of sampling with replacement. Users can randomly select a part of the sites [-Rand] and construct a new nj-tree as above, and Repeat NN times [recommand NN100]. X(1,2....NN);#!/bin/bashNN100if [ $# -eq 1 ]; thenNN$1fifor X in $(seq 1 $NN)do./bin/VCF2Dis -InPut in.vcf.gz -OutPut p_dis_${X}.mat -Rand 0.25# PHYLIPNEW-3.69.650/bin/fneighbor -datafile p_dis_${X}.mat -outfile tree.out1_${X}.txt -matrixtype s -treetype n -outtreefile tree.out2_${X}.tredone2.2Merge all the nj-tree and construct and display a boostrap nj-tree. (For advanced display tree and annotation please refer toiTOL,EvolviewandMEGA)#!/bin/bashNN100if [ $# -eq 1 ]; thenNN$1ficat p_*.nwk alltree_merge.tre # cat tree*.tre alltree_merge.trePHYLIPNEW-3.69.650/bin/fconsense -intreefile alltree_merge.tre -outfile out -treeprint Yperl ./bin/percentageboostrapTree.pl alltree_merge.treefile $NN Final_boostrap.tre # NN is the input number其中1.2是可以单独将群体中的部分样本提出来进行树的绘制1.3是在最新版本新增加的功能是根据样品和群体的关系构出群体之间的树看作者在文章中的描述感觉一般使用的话1.1和1.2足够了这里有作者给出的一些建议(2 封私信 / 46 条消息) VCF2Dis 升级 1.52 及讨论 关系树 vs 物种树 - 知乎这个建议里面我认为最重要的作者建议使用VCF2Dis绘制遗传关系图谱时只进行硬过滤作者表示若有一个外群maf会把这个样品的特异位点过滤掉即将把这个样品的枝长剪短所以如果有外群和wild的样品建议不要用maf过滤。 丢了太多有效信息只用一点信息局部代表全局是不妥的。此外作者特地表明不要用做物种进化树的思路去做群体关系树群体关系树的绘制样本是来自同一个种群的不同亚群的不同个体进行绘制关系本来就很近bootstrap就可能出现偏小。因此若使用VCF2DisSNP过滤后的文件应被用于PCA图绘制以及群体结构分析。VCF2Dis只能进行距离矩阵的计算如果要绘图得使用mega等软件或在线网站。4.群体结构分析学习的相关教程GWAS | 2.群体结构 structure - 简书这一块也是一知半解的群体结构分析顾名思义就是对所分析的群体样本进行分类传统的PCA和群体进化树只能直观的了解群体中个体的分类关系但无法解释群体间具体的分群数目和基因交流情况。这就需要群体结构作为参考群体结构分析能够提供个体的血统来源及其组成信息是一种重要的遗传关系分析手段。与PCA和进化树一致群体遗传结构分析均是以变异位点例如SNP作为标记计算绘制对样本进行分类。群体遗传结构指遗传变异在物种或群体中的一种非随机分布。按照地理分布或其他标准可将一个群体分为若干亚群处于同一亚群内的不同个体亲缘关系较高而亚群与亚群之间则亲缘关系较远。计算群体结构比较经典的软件是admixture用法也比较简单.bed后的1234就是设定的k值可以将结构文件保留到.log文件方便查看cv error值最适的k值就是cv error最小的值。此外需要注意的点是admixture只能识别.bed文件所以需要将进行过滤后的SNP文件转化为plink的二进制格式文件此外admixture要求.bim文件的第一列染色体为数字不然会报错所以需要将非数字的染色体名称改为数字可使用awk进行改变我的理解其实就是对一群样本进行分类针对其总共能分成几个亚群每个亚群内部的基因交流情况又是怎么样的。可以探究多品种物种可以被划分的的总体亚群种类此外也存在对已知存在不同性状的一群物种进行分组判断种群间不同个体的基因交流情况以及分组情况。特别是在进行群体结构计算的时候设置的k值可以被视为祖先群体数量后续的绘图就是使用R脚本了十一、选择清除群体遗传学二|基于 vcftools 的核苷酸多样性π与TajimaD的计算十、重测序数据分析之选择清除分析基础知识需知必会什么是selective sweep | Public Library of BioinformaticsTajima‘s D群体遗传_tajimad-CSDN博客(3 封私信 / 60 条消息) 群体分化指数-Fst - 知乎选择性清除说的意思就是由于某一位点受到强选择后其周围的位点的多态性因受改位点牵连而发生多态性降低的现象。即在某个等位基因因为某种原因被选择在该群体中基因频率改变但是由于连锁不平衡这会导致该基因所在的区域随着该基因一起被选择从而导致了多样性降低。导致选择性清除的选择可以分为正向选择和负向选择。正向选择即该等位基因由于对于该物种的生存发育等有显著优势或是人类所需要的性状导致该基因频率上升负向选择即该等位基因对该物种生存等有害或不占据显著优势又或不为人类所需的性状导致基因频率下降。一般而言正向选择的等位基因附件会表现出如下特点1、核苷酸多样性显著低于基因组正常水平该基因附近的snp位点受到连锁2、与未受到选择的其他区域相比多样性减少的比例更高。在进行写作以及理解的时候可以将其拆分为遗传多样性与选择信号分析。1.遗传多样性遗传多样性即指同一物种内不同个体之间在 DNA 序列上的差异程度。我看到的文献中对于遗传多样的评判多使用两个指标pi和Tajima‘s D后使用pi衡量群体内核苷酸多样性的指标反应群体“内部丰富度”用来反应任意两个个体在随机选择位点上的碱基差异程度表示群体中个体间的“平均遗传差异”。从群体中随机抽取两条DNA序列平均每个位点上核苷酸差异的数量。对稀有等位基因不敏感对常见等位基因敏感。pi↑群体内存在丰富的遗传多样性pi↓有瓶颈、强选择、近亲交配Tajima‘s D衡量群体基因组多样性检测随机演变的DNA序列“中性”和在非随机过程中演化的DNA序列用于研究物种种群变异情况如选择、群体瓶颈、扩张等。基于群体的多样性水平比较可以检验群体是否遵守中性进化模型从而推断群体历史事件。Tajima‘s D的统计量是基于核苷酸多样性pi和平均差异。基于观察到的单倍型数目或变异位点数目平的多样性若种群一直很平静则pi≈D≈0多样性符合中性模型说明没有选择压力遗传变异仅由基因漂变或突变主导群体基因组的多样性没有出现偏倚。如果出现变异则会导致D0/D0D0稀有变异比正常情况少即中等频率变异过量。一般来说有几种原因①、群体收缩稀有变异个体死亡稀有变异减少②、平衡选择两种等位基因都有好处长期维持中等频率稀有变异相对减少D0稀有变异比正常情况下多①、群体扩张群体突涨新变异个体进入种群稀有变异大量增加。②、正向选择某种变异更能适应环境对应变异快速扩散且能带着周围其他变异一起增加而这些被带的变异大多是稀有变异③、纯化选择有害变异被淘汰只能在少数个体里短暂存在有害变异刚出现就被清除因此保持在低频状态“短暂存在”的稀有变异变多。选择信号分析是寻找“自然选择基因”识别哪些位点或基因可能参与了环境适应驯化或疾病抗性登重要生物学过程。根据基于检测指标计算方法不同能分成几类并且基于这三个指标所对应的三个维度衍生出群体选择指标1.基于核苷酸多态性降低pi通过检测基因组区域的核苷酸多样性降低来识别选择信号。由pi衍化出几种群体选择指标pi-ratio将两个群体的pi值进行比较用于识别相对受选择区域。计算就是Pi(A)/Pi(B)即A群体的Pi值除以B群体的Pi值把想关注的那个群体放到分母这样pi-ratio的值越大意味着关注的那个群体的该区域的受选择强度越大核苷酸多态性低同时反映了另一个群体该区域的核苷酸多态性高。pi-ratio 1多样性一致pi-ratio 1A的多样性高于Bpi-ratio 1A的多样性小于B1①.正向选择 ②.纯化选择 ③.低重组区域重组率低的地方多样性偏低1①.平衡选择 ②.高重组率重组率高变异更容易维持和产生③.基因流动该区域从其他群体引入新变异ROD计算即1- pi-ratio的值。也是探究基于野生群体和驯化群体的核苷酸多样性差异用于检测基因组种可能受到自然选择或人工选择的区域。通过衡量遗传多样性变化揭示群体在进化过程中基因频率的异常便宜进而定位与适应性或特定性状相关的候选区域。举个例子想关注与野生群体相比栽培群体的受选情况。从π ratio的角度就是Pi(Wild)/Pi(Cultivar)从ROD的角度就是1-(Pi[cultivar]/Pi[wild])。1.2.基于群体分化通过比较不同群体间的遗传分化来识别选择信号包括FST,dxy这个是ai给我分出了这一类公众号文章中没有出现dxy且将FST放入了基于核苷酸多样性拓展来的群体检测指标因而在此标为1.2FST群体间遗传分化程度是衡量群体间遗传分化程度的指标用于量化不同群体之间的遗传差异核心思想是比较亚群体内的平均杂合度与总群体的期望杂合度之间的差异。FST 0.05群体间基因交流强低分化FST 0.15强遗传分化产生显著遗传差异FST 0.25几乎没有共同变异高度分化FST 0表示没有分化①、检测自然选择分析某个区域的FST明显高于基因组平均水平说明该区域在两个区域间分化特别大可能受到选择a、局部适应b、正向选择c、遗传漂变②、推断群体历史a、所有群体对FST都小群体间基因流动频繁或分化时间短b、某些群体对FST大地理隔离分化时间长基因流中断c、岛屿模型群体间有稳定的基因流FST中负值没有意义且不能出现负值出现负值检查数据。FST的计算有两种a.单点位点FST计算逐个位点计算每个FST是无偏估计量受测序错误或低频等位基因以及抽样影响大易出现负值。b.滑动窗口FST计算将基因组划分为固定长度或固定SNP数量窗口计算窗口内所有SNPFST的加权平均值。根据我查到的窗口大小一般为50kb-500kb步长一般为窗口的10%不过我看好像有些教程的例子没有这么写dxy现在没有查等后续需要的话或许能去看。3.基于等位基因频率改变的方法通过检测等位基因频率的异常变化来识别选择信号这个部分公众号给出的就是Tajima‘s D且无衍生的群体选择指标4.基于连锁不平衡增加EHH,iHS,CLR)通过检测单倍型纯合度的异常增加来识别选择信号。CLR符合似然比检验检测单个群体内的选择信号→XP-CLR跨群体复合似然比检验XP-CLR比较两个群体间的等位基因频率差异。识别两个群体之间因选择压力差异导致的基因组分化区域即受选择影响的选择扫荡区域。与FST不同XP-CLR通过整合连续基因组区域的多个SNP信息利用符合似然比模型增强对选择信号的检测能力尤其擅长捕捉因正选择导致的等位基因频率偏高的连锁不平衡变化。iHS整合单倍型得分标准化后的EHH统计量。EHH拓展单倍型得分检测单个群体内单倍型纯合度的延伸长度。XP-EHH跨群体拓展单倍型复合长度比较两个群体之间的单倍型纯合度差异。当自然选择作用域某个基因区域时该区域的单倍型会在一个群体中迅速扩散导致其延伸长度比未选择的区域更长。通过比较两个群体在每个基因位点上的拓展单倍型同质性差异可识别出受到选择的基因区域。被选择的区域有利基因带着周围片段快速扩散重组来不及打乱染色体片段会形成又长又统一的长单倍型纯合区拓展单倍型被选择的有利等位基因带着它所在的整条染色体片段扩散形成一条长的高频的单倍型XP-EHH和XP-CLR如果后面用到的话应该会再学。看到群体选择信号分析有些就是pi-ratio和FST连用应该就是可以群体选择信号的那几种检测指标一起联合交叉使用。这一部分的实际上比较复杂的应该是对于几个文件的处理以及绘图部分FSTpi以及Tajima’s D都可以使用vcftools进行计算绘图也就是使用R语言根据自身画图需求寻找教程。先到此位置后续如果有别的学习需要再弄