人口研究是遗传学的一个引人入胜的分支领域，其重点是了解种群内部和种群之间的遗传差异，以揭示种群的遗传进化。我在本博客中关注的一个关键概念是研究种群结构，换句话说，分析来自世界不同地区的个体的遗传信息，看看 JMP 是否可以将他们归类为不同的大陆和种族群体。为此目的使用了不同的技术，包括从标记统计数据中使用的多变量嵌入、标记相关性和连锁不平衡。
GSE10331是一组揭示全球人类群体遗传变异的数据集。这项研究旨在通过分析个体间全基因组变异模式来揭示人类物种的迁徙、范围扩展和适应。
在本研究中，研究人员分析并公开了超过 50 万个单核苷酸多态性 (SNP) 的高质量基因型，样本来自全球 28 个种族（人口），横跨 22 个国家和 7 个地区，共计 441 人。数据已下载并准备在 JMP Pro 中进行分析。
这是跨地区、跨国家、跨人口的个体分布及其地理映射。
Counts of individual grouped by region, country, and population (ethnicity)按地区、国家和人口（种族）分组的个体计数
Geographic mapping of the different countries analyzed in the study研究中分析的不同国家的地理地图
使用遗传 SNP 数据进行多元嵌入分析
多元嵌入是首次尝试，目的是查看不同个体的起源是否可以映射并归类为组或簇。多元嵌入允许将非常高维的数据集映射到低维空间中，这意味着在高维空间中彼此接近的点在生成的低维空间中也彼此接近。在本例中，使用 t-SNE 方法包括所有 500K SNP，这说明了数据如何聚类。
t-SNE component 1 versus t-SNE component 2t-SNE 成分 1 与 t-SNE 成分 2
这项分析使用了包含所有染色体的整个数据。每个个体都由一个特定的点表示。颜色反映了七个地区。生成的图像清楚地将个体按其原籍地区区分开来，非洲起源的聚类最远（红色）。其他起源很容易区分：美国为绿色，东亚为橙色，大洋洲为黄色，欧洲为青绿色，中南亚为蓝色，中东为紫色。一些有趣的模式表明，欧洲个体更接近中东和中南亚的人群。东亚、美洲和大洋洲聚类与其他聚类相距甚远，这是有道理的，因为人类迁徙受到各种因素的影响（或更准确地说，受到抑制），包括山脉和海洋等地理障碍。
t-SNE component 1 versus t-SNE component 2 with labelt-SNE 成分 1 与带标签的 t-SNE 成分 2
另外两个有趣的模式引起了我的注意。一个是蓝色的小型中南亚集群，靠近橙色的东亚。仔细观察这个中南亚集群中个体的种族，可以发现他们有“维吾尔族”血统，这是一个突厥民族，起源于中亚和东亚地区，并在文化上与该地区有联系。他们是中国 55 个官方认可的少数民族之一。其他异常值属于中东的紫色，具有来自阿尔及利亚的莫扎比特族裔，因此属于非洲。有趣的是，当将 t-SNE 分析分解为特定染色体并在气泡图中以动画形式显示 t-SNE 分数时，我们可以看到一个莫扎比特阿尔及利亚人（标记为 GSM264380）属于非洲或中东集群。
t-SNE decomposed by chromosome, animated in a bubble plott-SNE 按染色体分解，以气泡图形式动画显示
通过查看每个染色体中的 t-SNE 分数，我们可以更清楚地看到这种模式。在所有染色体中（除 5、10、13、14、16 和 18 号染色体外），该个体都属于非洲群集（红色）；在其他情况下，它属于中东群集（紫色）。
t-SNE analysis decomposed by chromosome按染色体分解的 t-SNE 分析
标记相关性
本报告是另一种基于遗传标记评估个体对之间遗传相关性不同测量值的方法。输出是主成分，基于不同类型的身份测量值的层次聚类用于评估个体之间的关系。本例中使用了状态身份 (IBS)，它检查标记身份对个体相关性的影响。
这些区域用于评估关系。第一个分析是与所有标记 (500K) 的标记相关性。每个区域都与所有其他区域进行了比较。从标记相关性的输出数据中，我使用 Graph Builder 中的热图可视化了每个比较区域对的 IBS 分数。高 IBS 分数 (红色) 表示关系高；低 IBS 分数 (黄色) 表示关系低。从下面的第一个热图中，我们可以看到非洲与所有其他区域的相似性最小 (参见红色突出显示的方块和浅黄色的低 IBS 分数)。美洲和大洋洲与自身的相似性最高 (用蓝色勾勒出的方块)。
Whole genome-based IBS scores represented in a heat map热图中显示的基于全基因组的 IBS 评分
第二个标记相关性分析仅针对线粒体 DNA 染色体进行。为什么？在过去的三十年中，线粒体 DNA (mtDNA) 一直是最受欢迎的分子多样性标记（线粒体 DNA 作为分子多样性标记：重新评估，N.Galtier 等人，2009 年）。mtDNA 是母系遗传，从母亲传给后代。与核 DNA 不同，mtDNA 缺乏重组，导致克隆遗传模式。由于 mtDNA 突变率高，因此会随着时间的推移积累突变。这些突变会产生不同的单倍型，使研究人员能够研究人口历史和迁徙。
尽管 IBS 评分显著增加（见下方的热图），但我们可以看到同样的模式：与所有其他地区相比，非洲地区的 IBS 评分较低。
mtDNA-based IBS scores represented in a heat map热图中显示的基于线粒体 DNA 的 IBS 评分
线粒体 DNA 中的连锁不平衡
连锁不平衡 (LD) 是基因组中不同基因座上的等位基因对之间的统计关联量。LD 计算所谓的连锁不平衡相关系数，该系数是衡量给定群体中染色体（基因座）上不同位置上的标记之间的非随机关联的指标。换句话说，它检测出在同一基因座上同时检测到两个标记的频率与基因座独立且随机关联的预期频率相比。
在线粒体 DNA 的背景下，LD 一直是了解进化史和群体遗传学的一个热门话题。如前所述，哺乳动物的线粒体完全从母亲遗传而来，并且被认为是克隆的，这意味着它不会发生重组。因此，线粒体 DNA 序列可以作为母系谱系中历史突变事件的记录。为了分析和查看等位基因对之间的关联，使用了 JMP Pro 中的标记统计平台。此处，图表显示了按区域分组的等位基因对的 LD 相关系数。红色和正值表示两个标记在同一基因座上同时出现的频率高于预期；蓝色和负值表示两个标记在同一基因座上同时出现的频率低于预期。
Linkage disequilibrium correlation coefficient in mtDNA per region线粒体DNA各区域的连锁不平衡相关系数
由于需要分析大量的线粒体 DNA 标记，因此使用过滤器来增加标记对之间的距离差异是有意义的。在这里，我们查看距离差异大于 100 个核苷酸的标记对的 LD。非常有趣的是，相同的标记对在不同区域中具有类似的关联，这表明存在某种关系。
Linkage disequilibrium correlation coefficient in mtDNA per region zoomed线粒体DNA各区域的连锁不平衡相关系数放大
下面是通过筛选特定关联标记获得的此类相似性示例。有趣的是，非洲被排除在这种相似性模式之外，这再次表明非洲地区在遗传上与所有其他地区存在某种差异。
Linkage disequilibrium correlation coefficient in mtDNA per region for individual marker单个标记每个区域的线粒体DNA连锁不平衡相关系数
总之，通过使用 JMP Pro 中的不同技术，例如多元嵌入、标记相关性和连锁不平衡，分析能够展示来自不同来源的个体的遗传种群结构。
