基于新一代測序技術(shù)的關(guān)聯(lián)分析研究和群體結(jié)構(gòu)理論.pdf

1、新一代的高通量全基因組測序技術(shù)能夠有效地探測出整條染色體的所有遺傳變異，從而繪制出全基因組的變異圖譜，是全面而系統(tǒng)地探測群體內(nèi)常見變異(MAF>5％)、低頻變異(0.5％

2、目前為止最大規(guī)模、測序覆蓋密度最高的全基因組測序數(shù)據(jù)。面對如此豐富的數(shù)據(jù)資源，我們進行了大量的工作，根據(jù)課題的進度，主要分為兩個階段，其中不少研究成果已經(jīng)整理并發(fā)表。
　　 第一階段的工作，我們主要研究了新一代高通量測序技術(shù)下疾病關(guān)聯(lián)分析的特點。
　　 在過去十多年，典型的全基因組關(guān)聯(lián)分析只考慮了常見變異的情況，而用以檢驗低頻變異和自有變異的方法及相關(guān)研究卻還沒有得到很好地發(fā)展。為了尋求突破，我們使用千人基因組計劃的常染

3、色體的單核苷酸多態(tài)性數(shù)據(jù)作為下一波關(guān)聯(lián)分析方案設(shè)計的參考基礎(chǔ)，從低頻變異領(lǐng)域出發(fā)，探討未來的全基因組關(guān)聯(lián)分析新的時代，現(xiàn)有的關(guān)聯(lián)分析研究方法是否依然有效可用，針對疾病關(guān)聯(lián)分析應(yīng)該如何制定新的不同研究方案。
　　 我們首先研究low coverage pilot中常見SNP、低頻SNP之間的連鎖不平衡模式，圖解說明與過往常見SNP截然不同的連鎖不平衡分布模式。我們發(fā)現(xiàn)低頻SNP與低頻SNP之間的連鎖不平衡，和低頻SNP與常見SNP

4、之間的連鎖不平衡都比常見SNP與常見SNP之間的連鎖不平衡要弱得多。其次，我們又設(shè)計了一系列的SNP標(biāo)簽實驗，說明了由于弱連鎖不平衡，使得我們無法再用傳統(tǒng)的芯片設(shè)計那樣，通過標(biāo)簽出一系列的SNP組成一個新的檢測芯片以達到覆蓋所有已知位點的目的。我們的實驗是假設(shè)將low coverage pilot檢測出的所有的SNP都作為“虛擬芯片”(Pilot14M)的標(biāo)簽位點，我們發(fā)現(xiàn)即使如此，Pilot14M也無法全部覆蓋到exon pilot中

5、那些隨著群體樣本改變而層出不窮的低頻位點信息，我們還考慮了對缺失數(shù)據(jù)進行插補的情況，但仍然觀察到有45.4％的低頻SNP無法被虛擬芯片所檢測出，Pilot14M對低頻SNP的覆蓋率僅僅只有67.7％。最后我們采用exon pilot中CEU人群的隨機外顯子區(qū)域數(shù)據(jù)集，將Pilot14M、Illumina1M和全基因組測序技術(shù)并列計算出它們在疾病與潛藏位點關(guān)聯(lián)分析時不同的效能表現(xiàn)。我們一共設(shè)計了4種疾病遺傳模型，制定了一系列的參數(shù)策略方案

6、，通過數(shù)據(jù)模擬，分別計算了不同情況下對于潛在致病位點的檢測效能。我們發(fā)現(xiàn)在常見SNP領(lǐng)域，傳統(tǒng)基因分型芯片的檢測效能夠達到疾病關(guān)聯(lián)分析的要求，但在低頻SNP領(lǐng)域，即使將研究樣本模擬到一個很大的數(shù)量，傳統(tǒng)基因分型芯片的檢測效能不是非常樂觀，無法達到全基因組測序技術(shù)同樣的高度。為了說明實驗結(jié)果的群體普遍性，我們也對CHD人群進行了同樣的研究步驟，結(jié)果是一致的。
　　 我們的結(jié)論是基于已知SNP序列而設(shè)計的全基因組關(guān)聯(lián)分析方式都將不能

7、適用于低頻SNP領(lǐng)域，對于新一代全基因組的測序數(shù)據(jù)，我們需要制定新的策略，使用新的方法來進行與低頻SNP相關(guān)的關(guān)聯(lián)分析研究。
　　 第二階段的工作，我們主要研究了新一代高通量測序技術(shù)下群體遺傳分析的特點。
　　 千人基因組計劃為揭示人群遺傳可變性的分布、鑒別人群結(jié)構(gòu)和推斷自然人群的人口演變歷史提供了豐富的資源，但新的測序技術(shù)也帶來新的挑戰(zhàn)，主要體現(xiàn)在三個方面：測序誤差、組裝錯誤和數(shù)據(jù)缺失。流行的群體遺傳分析手段是主成分分

8、析(PCA)，它對數(shù)據(jù)的異常值和缺失值都非常敏感，因此，我們將流形學(xué)習(xí)的局部線性嵌入方法引入到群體遺傳分析中，局部線性嵌入能夠很好地克服維數(shù)災(zāi)難，揭示出隱藏在高維數(shù)據(jù)空間的低維流形群體結(jié)構(gòu)。
　　 我們采用了豐富多樣、各具特色的群體遺傳數(shù)據(jù)，從大洲群體到祖孫三代家系，詳細討論了局部線性嵌入在刻畫群體結(jié)構(gòu)特征的獨到之處。我們發(fā)現(xiàn)通過相鄰點的信息對數(shù)據(jù)點進行重構(gòu)，能夠有效地克服異常值和數(shù)據(jù)缺失，我們還留意到將高維數(shù)據(jù)映射到低維空間的

9、表達時能夠?qū)θ后w分類體現(xiàn)出一種“群體特征向量”的新的概念，我們又從數(shù)學(xué)層面論證了主成分分析和局部線性嵌入的聯(lián)系，我們嘗試提出在群體結(jié)構(gòu)分析方面，局部線性嵌入是一種比主成分分析更為優(yōu)勝的分析手段。
　　 接下來，我們以局部線性嵌入為通用的群體遺傳分析框架，并發(fā)展了一種新的統(tǒng)計量，將整條染色體區(qū)域等分切割，將區(qū)域內(nèi)所有遺傳變異信息進行整合，結(jié)合計算得到群體特征向量，套用LASSO回歸分析，進一步討論和傳統(tǒng)的區(qū)域富集分析手段(如fis

10、her exact test)的不同之處。我們采用low coveragepilot數(shù)據(jù)集，以CEU群體為例，分別得到這兩類方法在CEU群體特征向量下的顯著關(guān)聯(lián)位點或者區(qū)域。對于常見SNP，我們分別在CEU、YRI和ASI人群中觀察到25.1％、44.9％和21.4％的與群體特征向量顯著關(guān)聯(lián)的位點，而在低頻SNP領(lǐng)域，顯著位點所占的百分比更加高，分別有89.2％，92.4％和75.1％，說明了絕大部分的低頻SNP具備群體結(jié)構(gòu)信息，而且從