研究：随机因素使硬清扫区产生软件效应（Soft Shoulders）

本文摘自文章：Soft Shoulders Ahead: Spurious Signatures of Soft and Partial Selective Sweeps Result from Linked Hard Sweeps，Daniel R Schrider, Fábio K Mendes, Matthew W Hahn, Andrew D Kern，Genetics, Volume 200, Issue 1, 1 May 2015, Pages 267–284

文章主要讨论了在 时间、空间 两个维度下 重组、漂变 等 随机因素 的引入，使选择清扫留下 遗传图谱不断磨损。如硬清扫图谱磨损至软清扫，再到中性。磨损不仅会导致 选择痕迹变轻，还会导致 图谱的连续性被破坏。如随机性还会导致图谱被 ”打断“，使研究人员难以确定两个相近的清扫是两次选择留下的，还是一次选择留下的。作者模拟并计算了各种情况下的多种群体遗传统计参数，通过机器学习模型 SVM 对遗传图谱的类别进行判断，以箱线图、折线图的方式形象展示了各种因素对遗传图谱的磨损。可惜的是作者提出了问题，但没有给出相应的解决方案。也许是工作量或研究目的原因，作者并没有将 SVM 与其他预测软件进行比较，讨论是否 SVM 无法处理的问题可以被别的算法所解决。

名词解释

• 软肩效应（soft-shoulder effect）：硬清扫选择位点的相邻中性区间，由于突变、重组等因素，可能呈现出类似不完全清扫或软清扫的图谱。
• 不完全清扫（incomplete sweep）：受选择的位点尚未固定时留下的群体遗传图谱。尚未固定的原因可能是采样时选择仍在进行中，或者等位基因具有杂合优势，或者固定完成前环境改变，有益突变转变为中性、有害突变。
• 基因转换（Gene conversion）：生物基因组中一段 DNA 序列将另一段与其同源的 DNA 序列取代的机制，可在减数分裂时发生在同源染色体对应的等位基因之间（allelic gene conversion），也可发生在染色体内或同源染色体间的同源基因（如基因簇或串连重复基因中的数个基因）之间（ectopic gene conversion），使各基因序列趋于一致。

实验步骤

1. 群体模拟参数

• 群体内个体数：$N=50$
• 群体突变率：$\theta =4N\mu =0.01$，$\mu$ 为碱基突变率
• 突变热点的群体突变率（$4N{\mu }_A$）是从均匀分布 $U(1,2.5)$ 中随机抽取得到
• 常态突变的频率是从均匀分布 $U(0.05,0.2)$ 中随机抽取得到
• 选择系数与群体大小：$\alpha =2Ns=1000/2000/3000$，$s$ 为选择系数（压力）
• 群体重组率：$\rho =4NrL$，$r$ 为碱基对间交换率，$L$ 为两碱基间距离（单位 bp）；在模拟中 $N,r$ 固定，所以 $\rho$ 主要用于反映距离 $L$
• 群体基因转换率：$4N\gamma =[0,50,100,...,450,500]$
• 染色体区间长度：$10/100/210/500kb$
• 突变固定后的观测时间点：$0.000625/0.00125/0.0025/0.005/0.01/0.02/0.04/0.08/0.16/0.32/0.64/1.28\ast 2N$
• 模拟次数：$1000$

2. 群体模拟数据集（Table S1）

• 1 - 8：SVM 的 训练集，区间长度 10kb（total $\rho =100$），选择位点在区间中间（0.5）。
• 9 - 11：测试硬清扫位点的侧翼 连锁区间 的图谱被判断为 软清扫 的可能性，区间长度 100/200/500 kb，选择位点在区间左侧（0.05）。
• 12 - 15：测试硬清扫位点的侧翼 连锁区间 的图谱被判断为 不完全清扫 的可能性，区间长度 100/200 kb，选择位点在区间中间（0.5）。
• 16 - 18：检测硬、软清扫侧翼被错误识别的可能性，与使用 最值定位法 的准确性，区间长度 210kb，选择位点在区间中间，两边侧翼各有 100kb 的区间。
• 19：测试固定后 时间 因素对 选择位点的遗传图谱 的影响，区间长度 10kb，选择位点在区间中间。
• 21：测试固定后 时间 因素对选择位点 侧翼图谱 的影响，以及是否会影响 选择位点 的判断，区间长度 210kb，选择位点在区间中间。

3. 根据模拟结果计算各群体遗传统计参数

群体遗传统计参数主要分为以下几类：

1. 等位基因数量及频率：核酸多样性 $\pi$、Tajima’s $D$、Fay and Wu’s ${\theta }_H$、H 统计
2. 单倍型数量及频率
3. 连锁不平衡：LD、Kelly’s $Z_{nS}$、Kim and Nielsen’s $\omega$
4. iHS（integrated haplotype score，综合单倍型评分）

将模拟数据集以 10kb 为单元对区间进行分割，使一个大区间划分为多个小窗口，计算每个窗口中各统计参数的数值。1000 次模拟会得到 1000 组值，下图将结果以箱线图的方式呈现。纵坐标为参数值，横坐标为遗传距离， $\rho /\alpha =2rL/s=2r\times L/s$，$\rho /\alpha$ 代表的是一种遗传距离而非物理距离，所反映的物理距离随选择强度的增加而增加。

可以发现，不同参数类别变化速度不同，如 $\pi$ 在 $\rho /\alpha$ 为 0.15-0.25 时基本与软清扫图谱相似，而 单倍型数量 则在 $\rho /\alpha$ 为 0.450.55 时基本与软清扫图谱相似 。可以理解为：不同参数对选择、重组等因素的敏感性不同。其他参数的箱线图参见文章附录。

4. 使用 SVM 预测区间类别

上述各参数作为 SVM 的输入特征。将模拟数据集 1 - 8 作为训练集，使用网格搜索训练 SVM，然后预测 9 - 11 中每个窗口的类型（硬清扫、软清扫、中性），1000 次会得到 1000 次预测结果。下图横坐标为遗传距离，纵坐标为各种分类的百分比，展示了使用等位基因频率（$\pi$，图 2A）、单倍型数量（图 2B）作为特征时 SVM 的预测结果。从图中可以发现，受选择位点所在区间的预测都是准确的 —— 硬清扫。在与受选择位点连锁的中性区间的判断上，随着距离的增加，SVM 预测区间为硬清扫的概率在降低，软清扫的概率先升后降，中性的概率不断增加。其中以 $\pi$ 作为特征时 SVM 较为敏感，当 $\rho /\alpha =0.2$ 时 SVM 已经很难将区间预测为硬清扫。

同时作者发现，将 4 类群体遗传统计参数一起作为特征输入 SVM 也并不能改变硬清扫附近连锁中性区间的软清扫图谱（图 2D）。

5. 挖掘受选择位点所在区间

值得注意的是，我们研究选择留下的遗传图谱的目的是挖掘受选择位点。所以准确挖掘受选择位点所在的区间是一个十分重要的问题。如果错将受选择区间邻近的中性区间误判成受选择区间，那么对后续的基因功能分析会带来很多误差。

1. 从上面的实验结果可以看出，各种遗传统计参数值都显示出了良好的趋势性，受选择位点都是参数的最值处（波峰或波谷），那么是否只要图具有良好的波形，其波峰或波谷处就是受选择位点所在的区间？
2. 从 SVM 的预测结果可以看出，预测判定具有良好的趋势性，都是从硬清扫逐渐过渡到软清扫，再到中性。在这种规律下，软肩效应对实际的预测影响不大。那么是否可以粗略的判断，如果是 “中-软-硬-软-中” 模式，则受选择位点在硬清扫区间；如果因选择压力不强等因素导致 “中-软-软-软-中” 模式，即软清扫下的固定，则受选择位点在软清扫区间的中部？

5.1 最值定位法

模拟数据集 16 - 18 的结果显示，硬清扫中最值定位比较准确，但是在软清扫中定位不够准确。下图展示了两个定位准确度较高的统计参数的频率分布图。最值定位法缺点：1. 无法识别到单元区间内（如本文是 10kb）发生多次选择的情况；2. 漂变、重组等因素中的随机性会在固定后时间的增加中被不断放大，造成最值与受选择位点间距离不断增加（见下文）。

5.2 预测定位法

以 SVM 预测出的 “中性” 区间作为清扫间的分割点，受选择位点约在每个清扫区间的中部。预测定位法缺点与最值定位法一样，随机性所导致的偶然 “中性” 会意外的多切割出一个受选择区，造成误差。

如 SVM 在预测模拟数据 16 时，判断硬扫描的正确率是 97.9%，但其中有 68.1% 的模拟群体中检测到了多次选择（清扫之间间隔至少1个 “中性“ 区间。这也导致两个 距离较近 的清扫，难以判断是 两个选择 还是 一个因随机因素被 ”打断“ 的选择。

6. 时间对固定后遗传图谱的影响

当有益突变固定后，区间就转变成为了 “中性”，影响图谱的因素不再有选择系数，只剩下重组、漂变等随机因素。所以问题转变为 随机因素对硬、软清扫遗传图谱的影响。

模拟 19、21 的 SVM 预测结果如下图，趋势与距离相似，随着时间的增加，硬清扫被准确判定的概率不断降低，预测为软清扫概率先增后减，预测为中性的概率不断增加。同样，使用全部群体遗传统计参数作为特征也无法抵挡时间带来的 ”磨损“。

不同统计参数作为特征的实验结果显示，等位基因频率（$\pi$）对时间的敏感性较低，可以较为稳定的保持原有属性，而单倍型频率则较为敏感，在时间下容易被磨损。如在 0.000625×2N 代时，单倍型纯合度的错误率为 44.9%，0.01×2N 代时错误率为 51%，0.08×2N 代时错误率为 91.4% 。

总结

1. 重组、漂变等随机因素会导致区间多样性增加，使遗传图谱变 ”软“。但以群体遗传统计参数或其组合作为特征，使用 SVM 方法，并不能有效区分硬清扫的 “肩部” 和软清扫间的差异。
2. 随机因素会导致参数及预测的趋势被破坏，从而导致图谱识别的不准确，受选择位点定位的不准确，突变效应推断不准确等等。
3. 随机因素带来的随机性会随着固定后时间的增加而扩大，SVM 的预测精度会不断降低。
4. 使用最值定位法或预测定位法并不能有效去除随机因素的影响。