2019-12-20Fst的计算原理与实战

来源https://www.jianshu.com/p/b73a8d6233be

概念回顾

Fst：群体间遗传分化指数，是种群分化和遗传距离的一种衡量方法，分化指数越大，差异越大。适用于亚群体间多样性的比较。

用于衡量种群分化程度，取值从0到1，为0则认为两个种群间是随机交配的，基因型完全相似；为1则表示是完全隔离的，完全不相似。它往往从基因的多样性来估计，比如SNP或者microsatellites(串联重复序列一种，长度小于等于10bp)。是一种以哈温平衡为前提的种群遗传学统计方法。

两个种群之间遗传差异的基本测量是统计量FST。在遗传学中，F一词通常代表“近亲繁殖”，它倾向于减少群体中的遗传变异。遗传变异可以用杂合度来衡量，所以F一般表示群体中杂合性的减少。 FST是与它们所属的总群体相比，亚群体中杂合性的减少量。

具体可以下面的公式表示：

Fst= (Ht-Hs）/ Ht

Hs:亚群体中的平均杂合度

Ht:复合群体中的平均杂合度

理论上计算Fst的步骤

理论上要估算FST，需要以下步骤：

找出每个亚群的等位基因频率。

查找复合群体的平均等位基因频率

计算每个亚群的杂合度（2pq）

计算这些亚群杂合度的平均值，这是HS。

根据总体等位基因频率计算杂合度，这是HT。

最后，计算FST =（HT-HS）/ HT

具体例子

基因SLC24A5是黑色素表达途径的关键部分，其导致皮肤和毛发色素沉着。与欧洲较轻的皮肤色素密切相关的SNP是rs1426654。 SNP有两个等位基因A和G，其中G与轻度皮肤相关，在犹他州的欧裔美国人中，频率为100％。美洲印第安人与美国印第安人混血儿的SNP在频率上有所不同。墨西哥的样本有38％A和62％G;在波多黎各，频率分别为59％A和41％G，查尔斯顿的非裔美国人样本中有19％A和81％G.这个例子中的FST是什么？

手工计算的步骤如下：

在得到每个群体中等位基因的频率后:

首先第一步是计算每个亚群的杂合度H，这一步简单H=2pq （p和q是对应群体中等位基因的频率）

第二步计算这些亚群杂合度的平均值HS，取三个不同种群中的H值，除去平均数3，得到结果

第三步，计算群体等位基因频率，和上述方法类似，取每个等位基因在对应种群中的频率叠加除去平均数。

第四步，计算所有群体中的杂合度HT，使用2pq，p和q是群体中的等位基因频率，在第三步骤已经算好了。

最后，根据计算公式算出Fst。

在实际中，当然不可能用手工对每个位点进行这样的计算，怎样在电脑中分析FST等值，会在下次内容中介绍。

实战

当然了，实际中我们并不需要像上述例子那样逐个计算。等位基因频率的信息都藏在snp calling后的vcf中，再使用恰当的工具就可以快速计算出Fst。下面给大家介绍一种比较popular的计算Fst的方法（还有其他方法不限于一种），使用vcftools：

##对每一个SNP变异位点进行计算vcftools--vcf test.vcf--weir-fst-pop1_population.txt--weir-fst-pop2_population.txt--outp_1_2—single##按照区域来计算vcftools--vcf test.vcf--weir-fst-pop1_population.txt--weir-fst-pop2_population.txt--outp_1_2_bin--fst-window-size500000--fst-window-step50000# test.vcf是SNP calling 过滤后生成的vcf 文件；# p_1_2_3 生成结果的prefix# 1_population.txt是一个文件包含同一个群体中所有个体，一般每行一个个体。个体名字要和vcf的名字对应。# 2_population.txt 包含了群体二中所有个体。#计算的窗口是500kb，而步长是50kb （根据你的需其可以作出调整）。我们也可以只计算每个点的Fst，去掉参数（--fst-window-size 500000 --fst-window-step 50000）即可。

分别对不同结果进行图形绘制

##图1library(ggplot2)data<-read.table("test1.out.windowed.weir.fst",header=T)sc3=subset(data,CHROM=="Gm01")p<-ggplot(sc3,aes(x=BIN_END/1000000,y=WEIGHTED_FST))+geom_point(size=0.5,colour="blue")+xlab("Physical distance (Mb)")+ylab("Fst")+ylim(-1,1)p+theme_bw()##图2library(ggplot2)data<-read.table("test.out.weir.fst",header=T)sc3=subset(data,CHROM=="Gm01")p<-ggplot(sc3,aes(x=POS,y=WEIR_AND_COCKERHAM_FST))+geom_point(size=0.5,colour="blue")+xlab("Physical distance (Mb)")+ylab("Fst")+ylim(-1,1)p+theme_bw()

可以看到两幅图还是基本对应的，然后对一些接近1，与大部分点偏离比较高的点可以将其与功能注释相结合，还有一些选择压力分析的工具相结合，寻找出其对应的基因，观察该基因是否是被选择。Pi也是选择分析中一个很要的参数，这一部分内容有时间这一点以后再补回来。

参考文章：

https://blog.csdn.net/u014182497/article/details/52672308

http://www.omicshare.com/forum/thread-3688-1-1.html

作者：lakeseafly

链接：https://www.jianshu.com/p/b73a8d6233be

来源：

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。