基因组学系列3：基因分型Phasing与单倍型参考序列HRC

1. 基因分型Phasing概念

基因分型，也称为基因定相、单倍体分型、单倍体构建等，即将一个二倍体（或多倍体）基因组上的等位基因（或杂合位点）正确定位到父亲或母亲的染色体上，最终使得来自同一亲本的等位基因能排列在同一条染色体上。

二代测序是将序列混在一起进行测序，通过比对到参考基因组，检测存在哪些变异以及变异的基因型（Genotype），但无法直接区分序列是母源还是父源，只有通过基因分型才能判断亲本来源。

2. 基因分型的方法

家系分型和LD分型常用的工具有Beagle和Shapeit，都包含了家系分型和LD分型模块。

2.1 家系分型

家系分型是目前构建单倍型最准确的方法，家系样本越多，分型效果越好，缺点就是需要家系Trio样本，对于无法获取家系样本时则无法完成分型，并对于父亲、母亲和子女都是杂合的位点无法进行分型（大约占总变异位点的1/5）。

2.2 LD分型

利用群体中大量无血缘关系的个体，根据LD（连锁不平衡）原理和数据模型，推断群体中每个个体的单倍型方法。通过人群频率大于5%的变异存在的LD block（Tajima’s D > 0.5）长度大多为50kbp-60kbp，block的长度在不同人种中不相同，非洲人由于更古老因此姐妹染色单体发生重组的次数会更多，LD block相比于其他人种长度更短。由于LD block的存在，因此可以利用数学模型（如HMM算法）反推出个体的单倍型。

LD分型精度受到群体的影响，对于人群频率大于5%的变异分型效果很好，但对于罕见变异和低频变异（<1%）的效果较差，因此很难获得个体完整的单倍型。

2.3 物理分型

一条reads/一对reads或克隆上存在的碱基必定来自同一条染色体，每个片段就是单倍体的局部，将局部连接为整体即可完成Phasing。物理分型不需要家系数据，无需借助LD关系，仅依赖自身的测序数据，就可以完成Phasing。物理分型依赖于reads上的杂合SNP位点作为区分标记，由于人类基因组杂合SNP之间的距离大约为1.5kpb，因此需要长序列的测序技术（三代PacBio、ONT和华大Long Fragment Read-LFR等）获取测序数据。

3. 遗传解读中的应用

在遗传解读时，需要获取基因突变位点的相位后，才能更好地判断突变是否会产生对应的表型。当一个等位基因的一个拷贝发生了变异（例如LOF，功能缺失或缺失等），由于存在另一个拷贝，基因表达可能不会受到影响，从而不具有表型，只有当两个拷贝都发生变异时，才影响基因的表达从而产生表型。

4. 人类单倍型参考序列Reference Consortium（HRC）

基因型推断（Imputation）

需要单倍型参考序列集作为基础数据，在全基因组关联分析GWAS中是必要的环节，参考基因序列的质量直接影响了后续基因型-表型关联分析的结果。

HRC是一个大型的人类单倍型参考序列，合并了多个项目的测序数据。全基因组SNP微阵列芯片获得样本基因型后，可使用该单倍型参考基因组进行基因型的推断（或称为填充）和定相，GWAS研究中运用较为常见。截止到2024年7月，HRC包含了64，976个人类单倍型和39，235，157个SNP。相比于1000G、UK10K数据库，采用HRC单倍型数据库基因型填充的准确率更高。

准确率比较