software

ANGSD 实跑,似然归一化后为什么仍不是基因型概率

作者:发布于 2026-11-17约 10 分钟阅读
加起来为一,仍可能只是似然。实际运行 0.940,分开读段证据与先验。似然,换先验时保持不变,数值归一化不等于已获得后验。后验,先验参与后可以改变,没有读段也可能出现集中结果。有效覆盖,不要只读一列 nInd,同时核对逐样本深度与过滤。

低覆盖测序中,一个位点只看到一条支持参考等位基因的读段,能否直接把这个样本判成参考纯合?如果输出的三个数加起来等于一,它们是否就是三个基因型的后验概率?这两个问题决定了后续分析是在保留不确定性,还是过早把有限证据压缩成硬判定。

本文实际安装并运行 ANGSD 0.940 容器,程序自报版本为 0.940-dirty,关联 HTSlib 1.21。我们编写八个样本、七个指定位置的合成已比对读段,分别设置覆盖深度、碱基质量和比对质量,再比较不同先验与过滤条件。数据完全原创,没有真实样本,也没有重新比对过程,所以结果用于解释字段和参数,不用于评价测序、比对或群体推断准确率。

加起来为一,仍可能只是似然。实际运行 0.940,分开读段证据与先验。似然,换先验时保持不变,数值归一化不等于已获得后验。后验,先验参与后可以改变,没有读段也可能出现集中结果。有效覆盖,不要只读一列 nInd,同时核对逐样本深度与过滤。
实际运行 0.940,分开读段证据与先验

一、ANGSD 适合保留哪一层不确定性

ANGSD 可以从测序数据计算基因型似然,并在多种群体遗传分析中使用这种不确定性信息。它的价值之一,是不要求所有位点先变成确定的基因型,再把不可靠的判定继续传给下游。尤其当深度较低时,硬判定可能把缺少证据误写成确定答案。软件方法论文

但保留似然不意味着质量控制可以省略。错误比对、测序错误和覆盖差异仍然影响读段提供的证据。方法只能在所选模型和输入条件下计算,不能自动识别所有技术偏差。先理解每种过滤作用于什么层级,再解释结果,通常比直接复制一长串参数更可靠。

本文只演示从已比对读段到似然、频率和后验的这一段。没有计算真实人群的频谱、选择信号或人口历史,也没有用七个位点拟合任何生物学结论。小型数据的作用是让每一个输出变化都能够追溯到我们主动改变的输入。

二、把输入设计成有明确答案的对照

七个位置分别用于不同检查。前三个位置使用同一组已知基因型,但每个样本的读段数分别为二十、一和二。第四个位置将前四个样本的中心碱基质量降低。第五个位置只让前四个样本有读段。第六个位置降低所有读段的比对质量。第七个位置则让所有样本都只含参考等位基因。

参考序列是一段一千碱基的人工序列。每条读段长度为四十一,目标位置位于中央,所有比对位置和质量值均由脚本指定。这能隔离后续概率计算的行为,却不能证明真实短读段在这种序列上能够唯一比对。我们特意把这一点写清楚,避免把受控输入误称为测序流程性能实验。

本次用四列位点清单固定两个待比较的等位基因为 A 和 G,确保不同运行之间的概率顺序一致。这样做有利于对照,但也意味着输出中名为 minor 的第二个等位基因,是我们指定的角色,不保证在每次过滤后的样本中都更少见。后面出现大于零点五的频率,就是这个细节的实际例子。

从练习包运行脚本,会生成 SAM、BAM、索引、位点清单和五组结果。辅助工具为 SAMtools 1.25。完整镜像摘要、命令与日志保留在脚本和核验文件中,读者不需要寻找额外的测试数据库。

python3 199-angsd/run.py output-angsd

# 核心命令,在已经安装工具且输入准备完成的目录中执行
angsd sites index sites.txt
angsd -bam bamlist.txt -ref ref.fa -r 1:1-800 \
  -sites sites.txt -GL 2 -doMajorMinor 3 -doMaf 1 \
  -doGlf 2 -doCounts 1 -dumpCounts 2 -doGeno 8 \
  -only_proper_pairs 0 -nThreads 1 \
  -minQ 20 -minMapQ 20 -minInd 1 -doPost 1 -out hwe

三、三个数之和为一,只能说明做了归一化

-doGlf 2 输出的 Beagle 格式文件,为每个样本提供三个基因型似然数值。官方文档明确指出,这些数值被归一化为和为一,是一种数值处理,不应因此直接称作基因型后验概率。文件中每个样本连续占三列,解释顺序还依赖前面的两个等位基因代码。基因型似然文档

从统计含义看,似然问的是,如果某个基因型成立,观察到当前读段有多合理。后验则在读段之外引入基因型先验,再重新归一化。把似然除以三者的总和,并没有自动加入你研究中应该采用的人群频率信息。两者可以在特定均匀先验下数值相同,但概念仍需区分。

在每人只有一条读段的位置二百,样本 S5 的设定真值是杂合,但这条读段恰好支持 A。三个归一化似然约为零点六六六六四四、零点三三三三三三和零点零零零零二二。它们没有证明样本是 A 纯合,只是当前这条读段在不同假设下提供了不一样的支持。

这也说明,观察到参考碱基不等于观察到了两条染色体。低覆盖下,一个杂合样本可能只被抽到其中一侧的读段。本例刻意把抽样结果写得简单,让读者能够亲手检查这个差别,而不是通过一个复杂的下游统计值间接猜测。

四、同一批读段,换先验会怎样改变后验

我们分别运行 -doPost 1 和 -doPost 2。前者使用频率相关先验,后者使用均匀先验,并通过 -doGeno 8 导出三个后验值。两个运行的 Beagle 似然表逐项完全相同,说明改变后验设置没有改变原来的读段证据。

同样是位置二百的样本 S5,均匀先验下的后验与归一化似然一致。频率先验下,三个后验约为零点七五零零一六、零点二四九九八一和零点零零零零零三。参考纯合的后验更高了,但读段并没有增加,这个变化来自先验参与计算。

对照对象 参考纯合 杂合
归一化似然 0.666644 0.333333
均匀先验后验 0.666644 0.333333
频率先验后验 0.750016 0.249981

表格省略了很小的另一纯合概率,完整三项保留在练习输出中。阅读这种表时,既要看概率大小,也要知道数值是怎样得到的。一个更集中的后验可能代表更多观测信息,也可能代表更强的先验约束,不能只凭最大值升高就断言测序证据变强。

使用频率先验还应关注样本构成。不同群体混在一起估计的频率,未必适合作为每个样本相同的先验。本文不根据这八个人为个体推荐某一种普遍设置,而是通过对照说明,先验选择必须与研究模型和下游用途一起记录。本版本频率与后验实现

五、没有读段的样本,也可能出现集中的后验

位置五百只有前四个样本有读段,且这些读段都支持 A,后四个样本没有任何覆盖。在默认缺失处理下,S5 的三个归一化似然都是约三分之一,后验也保持这种缺少区分信息的状态。它不表示三个基因型在真实人群中等频,只是这份输出在这里没有来自该样本的区分证据。

随后我们专门设置 -skipMissing 0,让缺失样本也使用频率先验。本例中 S5 的后验变成一、零、零的打印结果。四个没有读段的样本没有突然获得测序证据,而是被其他样本所支持的频率信息约束了。若只读取最大后验,容易把这种结果当作高覆盖支持的确定判定。

还有一个需要留意的细节。该对照中的频率表 nInd 从四变成八,但逐样本深度文件仍明确显示,后四个样本深度为零。因此,在解释这个字段时必须结合配置,不能把它无条件等同于有合格读段覆盖的人数。脚本保留两种输出,使这个差别可直接复查。

这组设置用于揭示缺失处理的影响,并不是建议把所有缺失都填成群体中最常见的基因型。接收结果时,应分别记录观测深度、似然信息和后验来源。尤其当某些样本的深度很低、最大后验却很高时,需要知道其中有多少信息来自数据,有多少来自模型假设。

六、过滤改变的可能是参与估计的样本组成

在碱基质量和比对质量阈值都为二十时,本例保留六个指定位置。位置六百的所有读段比对质量只有五,因此被排除。位置四百的前四个样本则因为中心碱基质量只有五,过滤后没有有效碱基,只有后四个样本参与该位置的频率估计。

位置四百估计的 G 频率约为零点七五。放宽质量阈值后,八个样本都参与,频率约为零点三七五零零五。变化不是软件发现了更多真实突变,而是参与计算的样本组成不同。这里第二等位基因仍标为 G,也再次说明固定角色的 minor 不一定意味着过滤后频率小于一半。

因此,比较两种过滤设置时,应同时查看每个位点有效样本数和样本来源。如果某一批样本在大量位置更容易被过滤,那么筛选后的频率差异可能包含技术覆盖差异。仅报告总体保留位点数,会隐藏这种发生在样本层面的不均衡。

我们再把 -minInd 从一调到八,保留位置减少到四个。位置四百和五百都只有四个样本有合格数据,因此被排除。每人只有一条读段的位置二百仍被保留。这说明最少有效样本数限制覆盖范围,却不保证每个样本具有足够的基因型判定信息。深度、质量与覆盖人数应分别检查。

七、固定位置、变异筛选和概率模型要分别说明

本例没有加上只保留显著变异的筛选条件,因此全为参考等位基因的位置七百仍在输出中。保留这个位置是为了观察单态数据的行为,不是要把它当成发现的新变异。一个文件的后缀叫频率表,也不意味着其中每一行都已经通过变异显著性检验。

若后续目的是某种位点集合上的结构分析,可以根据该目标建立筛选规则。如果目标是估计频谱或其他依赖观测范围的量,则需要仔细定义可分析区域和位点选择过程,不能把已经按频率筛选过的集合不加说明地继续使用。筛选会改变分析对象,不只是减少文件大小。

似然模型的名称也要按版本理解。本次的 -GL 2 是 ANGSD 所实现的相应模型,不能直接等同于当前另一个大型变异检测工作流的全部行为。质量校正、读段处理和后验调用过程都可能不同。比较方法时应对齐具体算法与输入,避免把一个相同名称当成完全相同的实现。

八、实际排查经验,索引刚生成也可能被认为过旧

第一次运行时,参考序列与索引在同一秒内创建。虽然索引的高精度修改时间晚于参考文件,ANGSD 仍报告索引看起来更旧,随后退出,且退出码为零。主输出文件并没有生成,幸好脚本还检查了预期文件,而没有只依赖退出码。

检查对应版本源码后可以看到,时间比较使用整秒修改时间,并将相等也判为源文件较新。参考读取路径遇到这一条件会退出。我们在写完源文件后等待跨秒,再建立索引,重新运行恢复正常。位点清单的索引也采用相同的跨秒准备方式。时间比较实现、参考读取实现

这个经验针对本次版本和触发条件。若真实参考文件确实更新过,必须重新建立匹配索引,不能简单修改时间戳来掩盖不一致。更可靠的完成检查包括输出存在、文件可解压、样本列数正确、位置集合符合筛选预期,以及日志中的实际保留数量。

本次运行后,脚本逐项比较了似然、后验、频率和逐样本深度,并保留原始日志。移植到自己的数据时,建议先选择一个可人工复核的小区域,确认字段语义和过滤行为,再扩展到更大的分析范围。让每一步的输入和输出含义清楚,才能真正发挥保留不确定性信息的价值。

需要把低覆盖数据的似然计算、质量检查和批量结果管理串成稳定流程时,可了解云生信生物信息学分析环境与计算服务。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗