Nature Genetics
SINGER：加速基因组级祖先重组图谱推断的创新方法

小赛推荐：

该研究提出了一种高效的贝叶斯方法SINGER，用于从数百个基因组中推断祖先重组图谱（ARG），在提高推断准确性和鲁棒性的同时，显著加快了计算速度。SINGER还展示了在量化推断不确定性方面的优势，为群体基因组学和疾病进化研究提供了重要工具。

 

文献概述
本文《Robust and accurate Bayesian inference of genome-wide genealogies for hundreds of genomes》，发表于《Nature Genetics》杂志，介绍了一种新的贝叶斯方法SINGER，用于从全基因组数据中高效推断祖先重组图谱（ARG）。文章回顾并总结了当前ARG推断方法的局限性，如低准确性、单拓扑推断及对模型错误设定的敏感性，SINGER通过改进的MCMC算法和ARG重缩放策略有效解决了这些问题。

背景知识
祖先重组图谱（ARG）是群体基因组学中描述基因组进化历史的重要工具，传统方法如ARGweaver在处理大规模基因组时计算效率较低，而其他工具如Relate和tsinfer+tsdate则因简化模型而牺牲推断精度。SINGER结合了隐藏马尔可夫模型（HMM）和MCMC采样，以更高效的线程化算法和子图剪枝重接策略，显著提升了推断速度和准确性。此外，SINGER通过ARG重缩放策略自动校正节点时间，无需依赖外部人口历史信息，增强了对模型错误设定的鲁棒性。这一方法的提出为研究群体分化、古老基因渗入和多态性维持等进化遗传学问题提供了更可靠的数据基础。

 

全基因组人源化模型构建服务，支持精准基因治疗和疾病研究，提供多种组织特异性启动子载体，适用于眼科、神经及代谢疾病相关研究。

了解更多

 

研究方法与实验
SINGER通过迭代线程化策略构建ARG，首先构建以分支为隐藏状态的HMM并进行随机回溯采样，随后在已推断分支基础上构建以时间为隐藏状态的HMM进行时间采样。该方法大幅减少了隐藏状态数量，提升了计算效率。此外，SINGER引入了子图剪枝重接（SGPR）策略，通过剪枝和重接优化拓扑空间，提高了MCMC采样的收敛速度和混合效率。最后，通过ARG重缩放技术，SINGER自动调整节点时间，使突变密度与分支长度匹配，无需先验人口信息。

关键结论与观点

• 在模拟数据中，SINGER在推断共祖时间方面优于ARGweaver、Relate和tsinfer+tsdate，尤其在群体规模变化等模型错误设定条件下表现稳健。
• SINGER在推断树拓扑准确性方面同样优于现有方法，通过三元组距离评估，其推断结果更接近真实数据。
• 在突变和重组推断方面，SINGER准确恢复重组断点和IBD长度分布，而其他方法如Relate和tsinfer+tsdate则存在显著偏差。
• MCMC收敛评估显示，SINGER的秩图更接近均匀分布，且置信区间覆盖率达到85%，远高于其他方法。
• 在实际数据应用中，SINGER成功识别了HLA区域的古老多态性、群体分化信号以及尼安德特人基因渗入事件，为群体遗传学研究提供了新的解析能力。

研究意义与展望
该研究为群体基因组学提供了一种更高效、准确的ARG推断工具，解决了大规模基因组数据下拓扑和时间推断的瓶颈问题。SINGER的推出为基因组进化分析、疾病基因座研究及跨物种多态性研究提供了更稳健的计算框架。未来研究可进一步扩展SINGER以适应更复杂的人口模型，并整合更多基因组注释信息以提升推断分辨率。

 

全人源化抗体小鼠模型，适用于高亲和力抗体药物开发，支持肿瘤、自身免疫及感染疾病研究，具备先进的抗体筛选和优化平台。

了解更多

 

结语
综上所述，SINGER为大规模基因组数据中的祖先重组图谱推断提供了更高效、更稳健的贝叶斯推断方法。其在保持与现有方法相当或更优性能的同时，显著提升了计算效率，使全基因组范围内的不确定性量化成为可能。SINGER在群体分化、HLA区域多态性及古老基因渗入事件中的应用进一步证明了其生物学意义。未来，SINGER可为基因组进化研究提供更精确的解析工具，尤其在复杂人口历史和自然选择研究中具有广泛应用前景。

 

Yun Deng, Rasmus Nielsen, and Yun S Song. Robust and accurate Bayesian inference of genome-wide genealogies for hundreds of genomes. Nature Genetics.