基于疾病與基因關(guān)聯(lián)性分析的遺傳位點(diǎn)選取

陳蓮 郭元輝

【摘要】以2016年全國研究生數(shù)學(xué)建模競(jìng)賽B題“遺傳性疾病和性狀的遺傳位點(diǎn)”提供的數(shù)據(jù)，按照1∶1的病例對(duì)照設(shè)計(jì)，運(yùn)用Pearson卡方檢驗(yàn)和病例組與對(duì)照組的堿基差異的正態(tài)分布情況各選取出24個(gè)可能的致病位點(diǎn).將兩種方法選取出的24個(gè)可能的致病位點(diǎn)與300個(gè)基因進(jìn)行全基因組關(guān)聯(lián)分析，找出最有可能的致病基因.

【關(guān)鍵詞】遺傳位點(diǎn)；Pearson卡方檢驗(yàn)；正態(tài)分布檢驗(yàn)；全基因組關(guān)聯(lián)分析

【基金項(xiàng)目】四川省教育廳自然科學(xué)項(xiàng)目（14ZA0132）、西華師范大學(xué)科研基金（13E022）.

一、研究背景

人類某些遺傳疾病由某些特定位點(diǎn)的核苷酸發(fā)生變異引起[1]，遺傳疾病分為單基因疾病和復(fù)雜性疾病.SPNs是研究基因多態(tài)性和識(shí)別疾病相關(guān)基因的一種工具[2]，孫志偉等人提出了一種快速的致病基因分析方法及算法FADG[3]，并指出差異最大的SNP位點(diǎn)就是致病位點(diǎn).人類基因組計(jì)劃[4]成功測(cè)序，也促進(jìn)了人類利用遺傳標(biāo)記SPNs對(duì)復(fù)雜性疾病進(jìn)行全基因關(guān)聯(lián)分析.全基因組關(guān)聯(lián)分析[5]是應(yīng)用人類基因組中大量的單核苷酸多態(tài)性為標(biāo)記進(jìn)行病例對(duì)照設(shè)計(jì)研究的關(guān)聯(lián)分析.數(shù)據(jù)源于2016年全國研究生數(shù)學(xué)建模競(jìng)賽B題“遺傳性疾病和性狀的遺傳位點(diǎn)”，其病例組和對(duì)照組的設(shè)計(jì)上采用隨機(jī)抽樣和1∶1的比例進(jìn)行匹配，這種設(shè)計(jì)方式符合病例對(duì)照設(shè)計(jì)[6]，它是遺傳病抽樣設(shè)計(jì)中簡單常用的匹配方式[7].

二、位點(diǎn)編碼信息的數(shù)據(jù)處理

圖1位點(diǎn)分布圖

以位點(diǎn)rs3094315為例，先將3種堿基對(duì)（TT，TC，CC）分別轉(zhuǎn)化為數(shù)值（22，23，33），在各位點(diǎn)上取出最大的編碼記為2，最小的記為0，其他的記為1，統(tǒng)計(jì)出對(duì)照組和病例組各位點(diǎn)處3種基因型的數(shù)目.在處理堿基編碼信息時(shí)，認(rèn)為堿基的編排順序不同則基因型不同，由兩種不同的堿基組成的相異的基因型有12種，即AT、AC、AG、TA、TC、TG、CA、CT、CG、GA、GT和GC.從9 445個(gè)位點(diǎn)中選取最有可能的致病位點(diǎn)，由MATLAB編程畫出位點(diǎn)的分布情況如圖1所示，從圖中可知選擇致病位點(diǎn)有一定的難度，故用計(jì)算來選取致病位點(diǎn).

三、Pearson卡方檢驗(yàn)選取致病位點(diǎn)

Pearson卡方檢驗(yàn)方法[8]可表示成，

χ2=∑ni=1（Qi-Ti）2Ti.（1）

其中，Qi是病例組在各位點(diǎn)第i類堿基對(duì)的觀測(cè)頻數(shù)，Ti是對(duì)照組在各位點(diǎn)第i類堿基對(duì)的理論頻數(shù).卡方檢驗(yàn)的顯著標(biāo)準(zhǔn)設(shè)置為α=10-6，自由度為n-1=2，得到χ2臨界值為27.631 0.以此為標(biāo)準(zhǔn)，用MATLAB編程選卡方值大于臨界值的32個(gè)位點(diǎn).序號(hào)為8 258和8 496這兩位點(diǎn)，χ2值無窮大，遺傳學(xué)上可理解為未患該疾病的人群中不存在CC這種堿基對(duì)，可認(rèn)為該位點(diǎn)的患病概率較大.

卡方檢驗(yàn)選出的32個(gè)可能的致病位點(diǎn)中，AT、TA、CG、GT和GC堿基組成類型未出現(xiàn)，但未必說明致病位點(diǎn)不含它們.根據(jù)各類型堿基組成在9 445個(gè)位點(diǎn)中所占頻數(shù)，按一定的比例選出可能的致病位點(diǎn)，如，AC、AG、TC、TG、CA、CT、CG按照1∶4∶4∶1∶1∶4∶4進(jìn)行選擇，通過MATLAB編程運(yùn)行得到可能的24個(gè)致病位點(diǎn)，見表1.

四、按差異的分布選取致病位點(diǎn)

由A、T、C、G互異堿基組成的基因型共有12種，在各類型中計(jì)算出對(duì)照組與病例組的3種基因型的平均差異，再分析病例組堿基對(duì)距離平均差異值的分布情況，從分布情況角度選取致病位點(diǎn).計(jì)算12種基因型各自的平均差異公式為

V=∑mj=1∑ni=1（Qi-Ti）m.（2）

其中，Qi是病例組在各位點(diǎn)第i類基因型的觀測(cè)頻數(shù)，Ti是對(duì)照組在各位點(diǎn)上第i類基因型的理論頻數(shù)，n為各位點(diǎn)的基因型數(shù)，即n=3，m為12種互異堿基組成的基因型在9 445個(gè)位點(diǎn)中出現(xiàn)的位點(diǎn)個(gè)數(shù).由MATLAB編程運(yùn)行得到12類互異堿基組成的基因型平均差異.

判斷病例組堿基對(duì)距離平均差異值的分布情況，以CA類型為例，根據(jù)（2）式得出對(duì)照組與病例組在各位點(diǎn)堿基對(duì)AA、CA和CC的差異個(gè)數(shù)，分別用向量S0，S1，S2來表示.將上述數(shù)據(jù)S0，S1，S2導(dǎo)入IBM SPSS Statistics 20中，進(jìn)行如下操作步驟：分析、描述統(tǒng)計(jì)、Q-Q圖、選擇正態(tài)分布檢驗(yàn)，得到3種堿基對(duì)的正態(tài)Q-Q圖，如圖2所示.若堿基對(duì)AA、CA和CC的差異個(gè)數(shù)服從正態(tài)分布，則CA類型堿基對(duì)的差異數(shù)也服從正態(tài)分布[9].

圖2AA堿基對(duì)Q-Q圖

MATLAB工具箱提供了ttest函數(shù)[10]對(duì)未知標(biāo)準(zhǔn)差的某正態(tài)分布的均值進(jìn)行檢驗(yàn)，調(diào)用格式為：h=ttest（x，m，alpha，tail）.其中，x為待檢驗(yàn)的樣本，alpha為顯著性水平，在這里alpha取默認(rèn)值0.05，tail為備擇假設(shè).原假設(shè)為：h0∶μ=μ0=m.

當(dāng)tail=0時(shí)，表示備擇假設(shè)h1∶μ≠μ0=m，tail=0為默認(rèn)的雙邊檢驗(yàn).

當(dāng)返回值h=0時(shí)，表示在顯著性水平alpha下，不能拒絕原假設(shè)，即符合均值為m的正態(tài)分布，當(dāng)h=1時(shí)，表示在顯著性水平alpha下，可拒絕原假設(shè)，即不服從均值為m的正態(tài)分布.

經(jīng)檢驗(yàn)，病例組各堿基組成類型均符合均值為待檢驗(yàn)均值的正態(tài)分布，在均值附近選擇選取可能致病位點(diǎn)，12種堿基對(duì)組成類型按照1∶1∶4∶1∶4∶1∶1∶4∶1∶4∶1∶1選取，由MATLAB編程運(yùn)行得出的24個(gè)可能致病位點(diǎn)見表2.

五、兩種選取致病位點(diǎn)方法的比較及結(jié)論

Pearson卡方檢驗(yàn)法側(cè)重找出病例組與對(duì)照組差異較大的作為可能的致病位點(diǎn)，而分類按堿基對(duì)差異服從的正態(tài)分布選取側(cè)重找病例組與對(duì)照組差異的平均.若樣本容量小，則優(yōu)先選用卡方檢驗(yàn)法選取，若樣本容量較大且堿基對(duì)數(shù)目的差異服從正態(tài)分布，則用后一種方法選取致病位點(diǎn).用全基因組關(guān)聯(lián)性分析選出了可能的致病基因，見表3.

【參考文獻(xiàn)】

[1]凃欣，石立松，汪樊等.全基因組關(guān)聯(lián)分析的進(jìn)展與反思[J].生理科學(xué)進(jìn)展，2010，41（2）：87-94.

[2]孫志偉，單淵博，蔡潤身等.快速的致病基因分析方法[J/OL].計(jì)算機(jī)工程與應(yīng)用，http：//www.cnki.net/kcms/detail/11.2127.TP.20160929.1618.004.html.

[3]劉翠蘭，胡家偉.單核苷酸多態(tài)性研究進(jìn)展及法醫(yī)學(xué)應(yīng)用前景[J].中國法醫(yī)學(xué)雜志，2001，16（s1）：58-59.

[4]International Human Genome Sequencing Consortium.Initial sequencing and analysis of the human genome[J].Nature，2001（409）：860-921.

[5]嚴(yán)衛(wèi)麗.復(fù)雜疾病全基因組關(guān)聯(lián)研究進(jìn)展——遺傳統(tǒng)計(jì)分析[J].遺傳，2008，30（5）：543-549.

[6]陳樹昶.病例對(duì)照研究的設(shè)計(jì)原理及其進(jìn)展[J].疾病控制雜志，2004，8（1）：56-59.

[7]袁敏.關(guān)聯(lián)分析中的統(tǒng)計(jì)方法研究——基因模型選擇及穩(wěn)健檢驗(yàn)[D].合肥：中國科學(xué)技術(shù)大學(xué)，2009.

[8]茆詩松，王靜龍.數(shù)理統(tǒng)計(jì)[M].上海：華東師范大學(xué)出版社，1999.

[9]田禹.基于偏度和峰度的正態(tài)性檢驗(yàn)[D].上海：上海交通大學(xué)數(shù)學(xué)系，2012.

[10]張德豐，楊文茵.MATLAB工程應(yīng)用仿真[M].北京：清華大學(xué)出版社，2012.endprint