位点频谱(SFS)计算

1. 什么是位点频谱(site frequency spectrum)?

位点频谱也叫等位基因频谱(allele frequency spectrum)是群体遗传学的术语，用来显示一个种群中特定基因座上各个等位基因所占的频率，或者说是等位基因在基因库中的丰富程度。是一个全基因组数据多样性的有效总结，FST，Tajima’s D，pi等都是在SFS的基础上衍生出来的统计量。

2. 从基因型数据中构建SFS

如果祖先状态已知，我们可以通过衍生等位基因的频率来推断SFS。VCF文件中基因型可以编码为0（纯合子为参考等位基因），1（杂合子），2（纯合子为替代等位基因）。
首先，我们需要计算每个SNP的绝对等位基因频率。在该矩阵中，每一行对应于基因组中的一个位点，每一列对应于一个个体，这些我们可以从VCF文件中获得。

各样本位点等位基因统计

其次，我们需要计算给定等位基因频率的位点数量。

衍生等位基因的分布

3. 多维SFS（2D-SFS）

SFS可以扩展到任何数量的群体，如果我们从两个群体中采样数据，则产生2D-SFS，其对应的矩阵如下：

如果计算两个群体的50,000个位点的2D-SFS，pop1的样本量为2个二倍体，pop2的样本量为3个二倍体。 我们会得到7行5列的矩阵。 每个单元格（i，j）包含SNP的数量，其中SNP的新生等位基因个数在pop1中为i，在pop2中为j。 此矩阵中单元格的总和是SNP总数，为50,000。 如下图所示，此矩阵也可以通过热图直观地表示。

同时，我们根据上面2D SFS的矩阵，可以得到边际1D SFS。

基于SFS，不光可以判断群体的多样性，群体之间的分化程度，还可以推断群体演化历史，比如说群体经历了收缩，扩张还是稳定的演化模式。

4. 使用easysfs计算群体SFS

easysfs是一个python脚本，使用方法如下：

#下载和配置环境
conda install -c bioconda dadi pandas
git clone https://github.com/isaacovercast/easySFS.git
cd easySFS
chmod 777 easySFS.py
./easySFS.py
#定义一个vcf文件变量
VCF=cichlid_filtered.vcf.gz
#提取单群体样本文件
bcftools query -l $VCF | grep "Mak" | awk '{split($0,a,"."); print $1,a[2]}' > pop_file
#easySFS无法使用包含缺失的位点来计算SFS，它提供了过滤方法以保留最多的高覆盖率的位点。或者可以过滤高缺失率的样本。
easySFS.py -i $VCF -p pop_file -a -f --preview
#计算SFS
easySFS.py -i $VCF -p pop_file -a -f --proj 8,8
#生成文件适合fastsimcoal2和dadi的格式

pop_file的格式：

sample1 pop1
sample2 pop1
sample3 pop2
sample4 pop2

参数说明：

usage: easySFS.py [-h] [-a] -i VCF_NAME -p POPULATIONS [--proj PROJECTIONS]
                  [--preview] [-o OUTDIR] [--ploidy PLOIDY] [--prefix PREFIX]
                  [--unfolded] [--dtype DTYPE] [--GQ GQUAL] [-f] [-v]

optional arguments:
  -h, --help          show this help message and exit
  -a                  Keep all snps within each RAD locus (ie. do _not_
                      randomly sample 1 snp per locus).
  -i VCF_NAME         name of the VCF input file being converted
  -p POPULATIONS      Input file containing population assignments per
                      individual
  --proj PROJECTIONS  List of values for projecting populations down to
                      different sample sizes
  --preview           Preview the number of segragating sites per population
                      for different projection values.
  -o OUTDIR           Directory to write output SFS to
  --ploidy PLOIDY     Specify ploidy. Default is 2. Only other option is 1 for
                      haploid.
  --prefix PREFIX     Prefix for all output SFS files names.
  --unfolded          Generate unfolded SFS. This assumes that your vcf file
                      is accurately polarized.
  --dtype DTYPE       Data type for use in output sfs. Options are `int` and
                      `float`. Default is `float`.
  --GQ GQUAL          minimum genotype quality tolerated
  -f                  Force overwriting directories and existing files.
  -v                  Set verbosity. Dump tons of info to the screen

如果数据集缺少大量数据且覆盖率较低，可以使用ANGSD来计算SFS。
参考：
http://evomics.org/learning/population-and-speciation-genomics/2020-population-and-speciation-genomics/inferring-demography/
https://speciationgenomics.github.io/easysfs/