[论文解读] A unifying framework for the modelling and analysis of STR DNA samples arising in forensic casework

Robert G. Cowell|arXiv (Cornell University)|Feb 27, 2018

Forensic and Genetic Research参考文献 30被引用 5

一句话总结

本文提出了一种统一的概率框架，利用概率生成函数（PGFs）和基于快速傅里叶变换（FFT）的数值方法，对法医STR DNA样本进行建模与分析。该框架将PCR扩增建模为离散的多类型分支过程，能够准确、高效地计算扩增子分布（包括拖带峰和噪声），适用于高模板与低模板DNA样本，且在模拟数据和公开数据集中的真实数据上均经过验证。

ABSTRACT

This paper presents a new framework for analysing forensic DNA samples using probabilistic genotyping. Specifically it presents a mathematical framework for specifying and combining the steps in producing forensic casework electropherograms of short tandem repeat loci from DNA samples. It is applicable to both high and low template DNA samples, that is, samples containing either high or low amounts DNA. A specific model is developed within the framework, by way of particular modelling assumptions and approximations, and its interpretive power presented on examples using simulated data and data from a publicly available dataset. The framework relies heavily on the use of univariate and multivariate probability generating functions. It is shown that these provide a succinct and elegant mathematical scaffolding to model the key steps in the process. A significant development in this paper is that of new numerical methods for accurately and efficiently evaluating the probability distribution of amplicons arising from the polymerase chain reaction process, which is modelled as a discrete multi-type branching process. Source code in the scripting languages Python, R and Julia is provided for illustration of these methods. These new developments will be of general interest to persons working outside the province of forensic DNA interpretation that this paper focuses on.

研究动机与目标

• 开发一种数学上严谨、统一的框架，用于建模从DNA样本到电泳图谱（EPG）的全过程，适用于法医案件分析。
• 解决低模板DNA（LTDNA）样本解释中的挑战，包括扩增污染（drop-in）、扩增失败（drop-out）、降解及拖带伪影。
• 提供一种通用的计算方法，用于计算STR图谱中扩增子峰的完整概率分布，尤其适用于复杂的PCR动力学条件。
• 通过一致的概率模型，实现混合样本解释中似然度的准确评估。
• 通过单一、连贯的数学公式，将概率基因分型的应用扩展至高模板与低模板DNA样本。

提出的方法

• 该框架将PCR扩增建模为离散的多类型分支过程，使用单变量和多变量概率生成函数（PGFs）来表示扩增子生成的随机动力学。
• 采用快速傅里叶变换（FFT）高效计算目标扩增子与拖带扩增子的完整概率分布，克服直接枚举在计算上的不可行性。
• 模型整合了关键法医因素：初始DNA模板、扩增效率（p）、随机抽样（phi）、基线噪声，以及通过二项式稀释法建模的扩增污染事件。
• 引入基因组链模型以追踪扩增子来源与拖带模式，并基于PGF推导出矩与完整分布的表达式。
• 该框架支持对多个贡献者、重复样本及未分型贡献者的联合建模，并可扩展用于校正峰高相关性。
• 提供了基于Python、R和Julia的数值实现，采用FFT算法高效计算边缘与联合分布。

实验结果

研究问题

• RQ1 如何通过单一、数学上一致的框架，对法医STR分析中从DNA样本到电泳图谱（EPG）的整个转换过程进行建模？
• RQ2 在不同模板量下，计算PCR扩增子完整概率分布（包括拖带峰与噪声）的最高效、最准确的方法是什么？
• RQ3 如何在混合样本解释中对目标峰与拖带峰峰高之间的相关性结构进行建模与校正？
• RQ4 该框架在多大程度上能准确重现模拟与真实低模板DNA混合样本中的观测EPG模式？
• RQ5 使用概率生成函数与FFT是否能够实现可扩展、高精度的复杂法医似然度计算，而无需依赖模拟方法？

主要发现

• 该框架通过单一概率公式成功建模了高模板与低模板DNA样本，且在模拟数据上验证了性能表现。
• 基于FFT的计算方法可实现对扩增子分布的准确高效评估，即使在大量PCR循环（如K=28）下也适用，通过截断实现内存与时间的优化。
• 该模型能准确捕捉拖带模式，包括单步后向拖带，且可高精度计算边缘与联合分布。
• 引入扩增污染与基线噪声显著提升了真实数据的模型校准效果，已在PROVEDit数据集的两人与三人混合样本中得到验证。
• 经修改的FFT模型成功校正了混合样本中的峰高相关性，提升了复杂案例中似然度估计的准确性。
• 提供了Python、R和Julia的源代码，经验证在生成分布与可视化方面表现有效，性能在K=28循环及大N规模下得到验证。