SNPs人群AF纯合/杂合度计算

SNPs人群纯合/杂合度计算差异记录

摘要

多种应用下需要用到SNP人群纯合/杂合度计算作为系数或者先验，例如同源交叉污染定量、器官移植dd-cfDNA定量、遗传发育研究等。由于数据库之间存在差异，多个数据库只保留如人群AF之类的指标，并不会给出真实的位点人群纯合/杂合度(即每个位点有多少比例的人是纯合、多少比例是杂合)。基于此，本文进行人群AF(allele frequency)间接推导与真实人群纯合/杂合比例计算之间的差异探索。

数据库

当前几个重要的SNPs数据库，如dbSNP、1000Genome、genomAD、EXAC以及近期发表的中国人的SNPs数据库ChinaMap等，绝大多数只给出了人群AF指标，初步探索只有1KGP给出了2504个人的位点开源详细的基因型数据，可用于直接计算每个位点的真实人群纯合/杂合度。因此本次使用1KGP(phase3)进行计算差异探索。
为进一步考虑不同地区人种之间的差异，本次选择五类东亚人种(504个人的基因型)进行分析，包括CDX-西双版纳、CHB-北京汉族、CHS-南方汉族、JPT-日本东京、KHV-越南5个地区。

计算

1、直接计算杂合度
1KGP vcf文件中标注出每个SNPs位点上，每个人的基因型，用0、1进行判断纯杂合：ref纯合(0/0)、Alt纯合(1/1)、杂合(0/1、1/0)
target.vcf:

直接使用awk简单统计每个位点纯杂合，也可以用plink统计，但需要注意major、minor区分：

awk简单统计：
grep -v ^“#” target.vcf | awk -v OFS=“\t” ‘{ count_hot1 = gsub(/0|0/, “”); count_het = gsub(/1|0|0|1/, “”);count_hot2 = gsub(/1|1/, “”); print $1,$2,$2+1,$3,$4,$5,count_hot1,count_het,count_hot2}’ | awk ‘{if(length($5)<2 && length($6)<2 ) print $0 }’ > freq.bed
plink统计(结果感觉有点问题，还不如自己写个小脚本)：
vcftools --vcf target.vcf --plink --out target.recode
plink --file target.recode --hardy

freq.bed:最后三列分别为纯杂合的人群数

而后直接相除计算纯合、杂合度。

2、AF间接推导

杂合度=2AFx(1-AF)

相关性分析可以看到二者几乎无相关性：

表明利用AF间接推导人群杂合度与实际差异较大。
不考虑遗传稳态，举一个极限的例子，一个位点所有人均为Aa，另一个位点AA、aa人群比例各占一半时，使用AF推导时，杂合度是一致的。即AF主要反映的是alt碱基比例，无法反应杂合人群概率。

结论：

考虑到位点人群差异、使用AF间接推导人群杂合度的方法不可取，一个较好的方法是借助千人基因组数据进行直接统计，如果1KGP不包括靶点SNPs，比较繁琐点的办法是找全基因组测序数据库，自己积累大样本队列进行统计