[论文解读] grenedalf: population genetic statistics for the next generation of pool sequencing

Lucas Czech, Jeffrey P. Spence+1 more|arXiv (Cornell University)|Jun 20, 2023

Genomics and Phylogenetic Studies被引用 4

一句话总结

本文介绍了 grenedalf，一个高性能的 C++ 命令行工具，用于计算群体遗传学中的关键统计量——如核苷酸多样性（θ）、Tajima's D 和 F ST——适用于池测序数据。该工具通过提供数个数量级更快的处理速度、支持多种输入格式，以及纠正低覆盖度和小池测序实验中采样噪声的无偏估计量，解决了现有工具的局限性。

ABSTRACT

Pool sequencing is an efficient method for capturing genome-wide allele frequencies from multiple individuals, with broad applications such as studying adaptation in Evolve-and-Resequence experiments, monitoring of genetic diversity in wild populations, and genotype-to-phenotype mapping. Here, we present grenedalf, a command line tool written in C++ that implements common population genetic statistics such as $θ$, Tajima's D, and FST for Pool sequencing. It is orders of magnitude faster than current tools, and is focused on providing usability and scalability, while also offering a plethora of input file formats and convenience options.

研究动机与目标

• 解决群体遗传学中池测序数据分析缺乏可扩展、用户友好且统计稳健的工具的问题。
• 纠正因池测序实验中个体和测序读数有限采样导致的等位基因频率估计偏差。
• 实现在包含数千个样本的大规模数据集中高效计算核心统计量（如 θ、Tajima's D 和 F ST）。
• 通过与基于频率的输入（包括 HAF-pipe 和其他基于 HARP 的方法）集成，支持现代池测序分析流程。
• 通过模块化设计、多格式输入支持以及数据过滤与合并的便捷工具，提升易用性。

提出的方法

• 重新推导并实现了对核苷酸多样性（π）、Watterson's θ、Tajima's D 以及 Nei 和 Hudson 的 F ST 的无偏估计量，考虑了池测序中的噪声影响。
• 使用统一的 Variant 数据类型表示基因组位置，包含参考/替代等位基因及样本特异性碱基计数，抽象化输入文件格式。
• 采用 Variant 迭代器，可并行流式处理和同步多个输入文件（如 SAM、mpileup、VCF、表格文件），支持多线程处理。
• 支持基于窗口的分析，并可直接在流式基因组位置上计算统计量，可选缓冲以提升性能。
• 基于高性能的 genesis C++ 库构建，确保运行速度最优，并具备模块化设计，便于未来扩展新文件格式或统计量。
• 提供 Python 绑定路线图，以增强生物信息学开发者的可访问性，并与现有分析工作流无缝集成。

实验结果

研究问题

• RQ1 在池测序数据中，如何准确估计群体遗传统计量，其中因有限池体和低覆盖度测序导致的采样噪声会引入偏差？
• RQ2 现有工具（如 PoPoolation 和 poolfstat）在估计 Tajima's D 和 F ST 时存在哪些统计缺陷，特别是在小样本量和低覆盖度条件下？
• RQ3 能否设计一种模块化、高性能的 C++ 工具，支持多种输入格式，同时保持大规模池测序研究中的准确性与可用性？
• RQ4 如何直接利用 HAF-pipe 和其他基于 HARP 的分析流程生成的等位基因频率数据，进行群体遗传分析，而无需原始读数计数？
• RQ5 与用 Perl、R 或 C 编写的传统工具相比，采用现代优化的 C++ 实现能带来多大的性能提升和可扩展性改进？

主要发现

• 作者识别并修正了 PoPoolation 中长期存在的 Tajima's D 估计量偏差，这些偏差未被后续的补丁修复。
• PoPoolation2（Kofler 和 Karlsson）中的 F ST 估计量在低覆盖度和小池条件下系统性地高估。
• 新的 π_within、π_between 和 π_total 无偏估计量可显著提升 F ST 估计的准确性，尤其在低覆盖度和小样本池测序实验中。
• grenedalf 相较于现有工具实现了数量级的性能提升，可高效分析包含数千个池测序样本的数据集。
• 该软件通过统一且可扩展的 Variant 抽象，支持多种输入格式——包括 SAM、mpileup、VCF 和表格频率文件。
• 该工具可直接处理预计算的等位基因频率（如 HAF-pipe 生成的），实现与现代池测序工作流的无缝集成，显著降低计算开销。