[论文解读] YFitter: Maximum likelihood assignment of Y chromosome haplogroups from low-coverage sequence data

Luke Jostins, Yali Xu+5 more|arXiv (Cornell University)|Jul 30, 2014

Genetic Associations and EpidemiologyBiochemistry, Genetics and Molecular Biology参考文献 10被引用 16

一句话总结

YFitter 是一种使用动态规划的极大似然方法，可从低覆盖度测序数据或基因分型数据中分配 Y 染色体单倍群，准确解析单倍群并利用置信集量化不确定性。其在准确性和分辨率方面表现优异，优于人工分配和现有工具，在基因分型与测序数据应用中均表现更优。

ABSTRACT

Low-coverage short-read resequencing experiments have the potential to expand our understanding of Y chromosome haplogroups. However, the uncertainty associated with these experiments mean that haplogroups must be assigned probabilistically to avoid false inferences. We propose an efficient dynamic programming algorithm that can assign haplogroups by maximum likelihood, and represent the uncertainty in assignment. We apply this to both genotype and low-coverage sequencing data, and show that it can assign haplogroups accurately and with high resolution. The method is implemented as the program YFitter, which can be downloaded from http://sourceforge.net/projects/yfitter/

研究动机与目标

• 解决从低覆盖度测序数据中进行概率性、自动化的 Y 染色体单倍群分配的挑战，其中不确定性与低覆盖度可能导致错误推断。
• 开发一种高效算法，计算 Y 染色体单倍群树上各位置的似然值，实现基于极大似然的分配并解析不确定性。
• 为大规模群体遗传学研究提供可扩展、自动化的解决方案，替代耗时的人工分配。
• 将不确定性量化整合到单倍群分配中，利用赤池信息准则（AIC）生成置信单倍群集合，以反映统计支持度。

提出的方法

• 该方法使用 Y 染色体单倍群的系统发育树，将突变定义为分支特异性变异，并利用位点特异性测序读取数据计算似然值。
• 采用自叶节点向根节点计算的向下似然值 $ L^{ ightarrow}_{i} $，表示在节点 $ i $ 处无突变的前提下，观察到下游读取的概率。
• 采用自根节点向叶节点计算的向上似然值 $ L^{ ightarrow}_{i} $，表示在节点 $ i $ 处存在突变的前提下，观察到非后代读取的概率。
• 每个节点的完整似然值 $ L_i $ 定义为其所有后代似然值的最大值，确保选择具有最高似然值的最近共同祖先。
• 最大似然单倍群是所有具有最高似然值的节点中最近的祖先，而置信集则包含所有与最大似然值相差不超过 8.685 个 Phred 标度对数单位的单倍群。
• 该方法以 C++ 实现为 YFitter，支持 phyloXML 格式输入数据，并与 samtools 或 PLINK 集成以进行输入处理。

实验结果

研究问题

• RQ1 能否通过动态规划算法高效计算从低覆盖度测序数据中获得的极大似然单倍群分配，同时考虑不确定性？
• RQ2 YFitter 在基因分型与测序数据上与人工或现有自动化方法相比，其准确性和分辨率如何？
• RQ3 基于 AIC 的置信单倍群集合在低覆盖度场景下，能在多大程度上反映结果的稳健性并减少错误推断？
• RQ4 YFitter 是否能从低覆盖度数据中解析出精细的单倍群结构，且性能与高覆盖度或基于基因分型的分配相当？

主要发现

• 在 Genomes Unzipped 项目提供的基因分型数据中，YFitter 对 9 名个体的单倍群分配结果一致，仅因 ISOGG2010 与 YCC2008 树之间的命名差异导致少量不一致。
• 在 1000 个基因组计划的低覆盖度数据中，285 个最大似然单倍群分配结果与基于 HapMap 的人工分配完全一致。
• 在上述 285 个一致分配中，203 个来自测序数据的分辨率更高，71 个分辨率相同，仅 11 个分辨率更低，表明测序数据可提供更高分辨率。
• 在使用置信单倍群时未观察到不一致，其中 199 个分配分辨率高于基于基因分型的分配，75 个分辨率相同，表明置信集合在保持高分辨率的同时有效量化了不确定性。
• 置信单倍群的分辨率仅略低于最大似然分配，表明不确定性量化具有鲁棒性且信息损失极小。
• YFitter 从低覆盖度数据中成功解析出精细的单倍群结构，在分辨率上优于基于基因分型的方法，同时保持了高准确性。