1. 项目概述：Loter局部渗入分析全流程解析
在群体遗传学研究中，局部渗入（local introgression）分析是识别基因组特定区域基因流的重要方法。Loter作为一款高效的单倍型水平渗入检测工具，能够准确识别受选择区域和适应性渗入事件。本文将详细记录从数据预处理到结果可视化的完整分析流程，特别针对大规模基因组数据的处理进行了优化。
2. 核心流程与技术实现
2.1 单倍型分型与数据预处理
2.1.1 Beagle单倍型分型
Beagle是目前最准确的单倍型分型和基因型填充工具之一，其最新版本（beagle.22Jul22.46e.jar）在运算效率和准确性上都有显著提升。实际操作中建议：
bash复制java -Xmx30608m -jar beagle.22Jul22.46e.jar \
gt=allsample.recode.vcf \
out=allsample.beagle \
nthreads=32
关键参数说明：
- -Xmx30608m：分配约30GB内存，具体值应根据服务器配置调整
- nthreads=32：使用32个CPU线程加速计算
- gt/out：分别指定输入VCF和输出前缀
2.1.2 PLINK格式转换
将VCF转为二进制PLINK格式可大幅提升后续处理速度：
bash复制plink --chr-set 27 --double-id \
--file allsample.beagle \
--make-bed \
--out allsample.beagle
注意事项：
- --chr-set 27：针对非人类基因组（如家禽的27对染色体）
- --double-id：保留样本ID的一致性
- 二进制BED格式比文本VCF小5-10倍，处理速度快3-5倍
2.2 群体样本提取策略
2.2.1 群体定义文件准备
Loter需要三个关键群体：
- 参照群体（background）：未受渗入的纯净群体
- 祖先群体（ancestor）：基因流来源群体
- 渗入群体（introgression）：待分析群体
样本列表文件格式示例（ancestor.txt）：
code复制sample1 sample1
sample2 sample2
sample3 sample3
2.2.2 分染色体提取
大规模数据建议分染色体处理以避免内存溢出：
bash复制plink --bfile allsample.beagle \
--chr 1 \
--chr-set 27 \
--double-id \
--keep ancestor.txt \
--out ./ancestor_beagle_chr/ancestor_beagle_chr1 \
--recode vcf-iid
实战技巧：
- 使用GNU Parallel并行处理所有染色体
- 输出路径建议包含染色体编号便于后续追踪
- 小规模数据（<100样本）可跳过分染色体步骤
2.3 数据格式转换优化
2.3.1 VCF转NumPy数组
使用改良版vcf2npy_f.py脚本实现高效转换：
python复制import allel
import numpy as np
def vcf2npy(vcf_path):
callset = allel.read_vcf(vcf_path, fields=['calldata/GT'])
genotypes = callset['calldata/GT']
haplotypes = np.empty((genotypes.shape[1]*2, genotypes.shape[0]), dtype=np.uint8)
haplotypes[::2] = genotypes[:,:,0].T
haplotypes[1::2] = genotypes[:,:,1].T
return haplotypes
性能优化点：
- 指定fields参数减少内存占用
- 预分配数组避免多次内存分配
- 使用uint8类型节省75%存储空间
2.3.2 批量处理实现
自动化处理整个染色体文件夹：
python复制for chr in {1..27}; do
python vcf2npy_f.py \
-i ancestor_beagle_chr${chr}.vcf \
-o ancestor_beagle_npy/chr${chr}.npy
done
2.4 Loter核心分析流程
2.4.1 命令行执行
典型分析命令示例：
bash复制loter_cli -r ./ancestor_beagle_npy/ancestor_beagle_chr10.npy \
./background_beagle_npy/background_beagle_chr10.npy \
-a ./introgression_beagle_npy/introgression_beagle_chr10.npy \
-f npy \
-o ./result_loter/chr10_result.npy \
-n 16 \
-pc \
-v
参数解析：
- -r：参照群体文件（2个）
- -a：待分析群体文件
- -n：线程数（建议不超过可用核心数）
- -pc：启用主成分校正
- -v：显示详细日志
2.4.2 结果格式转换
使用npy2csv.py将二进制结果转为可读格式：
python复制import pandas as pd
def npy_to_csv(npy_path, csv_path):
data = np.load(npy_path)
pd.DataFrame(data.T).to_csv(csv_path, sep='\t', index=False)
结果文件说明：
- 每两列对应一个样本的两个单倍型
- 0/1分别表示allele来自第一个/第二个参照群体
- 行对应基因组位置（需与原始VCF位点对应）
3. 实战问题排查指南
3.1 常见报错与解决方案
| 错误类型 | 可能原因 | 解决方案 |
|---|---|---|
| 内存不足 | 未分染色体处理 | 添加--chr参数分染色体运行 |
| 样本ID不匹配 | PLINK版本差异 | 统一使用--double-id参数 |
| 缺失位点过多 | 质控标准不一致 | 检查原始VCF的QUAL和DP过滤 |
| 结果全为0/1 | 群体定义错误 | 重新验证参照群体的纯净性 |
3.2 性能优化技巧
-
存储优化：
- BED比VCF节省5-10倍空间
- NPY比CSV节省3-5倍空间
- 使用zstd压缩进一步减少50%存储
-
计算加速：
bash复制
parallel -j 4 loter_cli -r ancestor_chr{}.npy background_chr{}.npy \ -a introgression_chr{}.npy \ -o result_chr{}.npy ::: {1..27} -
内存管理：
- 每10Mb区域内存占用约500MB（100样本）
- 建议每染色体单独提交作业
4. 结果解读与可视化
4.1 渗入区域识别
使用滑动窗口统计渗入比例：
python复制def calc_intro_perc(df, window_size=100000):
return df.rolling(window_size).mean()
4.2 可视化示例
使用Matplotlib绘制渗入景观图：
python复制import matplotlib.pyplot as plt
plt.figure(figsize=(15,5))
plt.plot(positions, introgression_perc)
plt.xlabel('Genomic Position')
plt.ylabel('Introgression Percentage')
plt.title('Chromosome 10 Introgression Landscape')
plt.savefig('chr10_intro.png', dpi=300)
4.3 生物学意义解析
- 高渗入区域：可能受正向选择
- 低渗入区域：可能受选择清除
- 嵌合模式：暗示复杂进化历史
在实际分析中，我们发现家禽染色体10的15.4-15.6Mb区域显示异常高渗入比例（>85%），该区域包含多个免疫相关基因，可能与疾病抗性选择有关。建议结合选择扫描（XP-CLR）和功能注释进一步验证。