Opportunities and challenges of local ancestry in genetic association analyses.
研究背景
随着全球人口混合程度不断提升，混合人群在遗传学研究中的重要性日益凸显。遗传祖先分析除评估全基因组层面祖先外，还需要进行局部祖先推断，以提升遗传流行病学研究的准确性。局部祖先分析在复杂疾病遗传关联识别、多基因风险评分构建等领域潜力巨大，但应用仍面临方法选择、参考面板构建等诸多挑战。
局部祖源推断方法进展
目前主流的局部祖先推断方法主要分为三类：
- 隐马尔可夫模型（HMM）类方法：早期方法多基于HMM及其扩展模型，近年的FLARE等方法在计算效率上提升显著，在参考面板不平衡的情况下仍有出色准确性。
- 滑动窗口结合方法：这类方法结合滑动窗口概率计算与跨窗口平滑建模，如LAMP-LD、RFMix等，其中RFMix可校正相位错误，目前应用广泛。
- 深度学习方法：如LAI-Net、Gnomix等，通过神经网络完成祖先分类，再结合平滑建模处理大规模数据，计算效率出色，但仍需在不同人群、不同参考面板中进一步验证表现。
核心应用进展
局部祖先分析在遗传研究中已经展现出明确应用价值：
- 局部祖先关联分析（AM）：AM可利用祖先差异识别不同祖先背景下的疾病风险基因，与传统GWAS形成互补，能够发现GWAS未检测到的遗传信号。例如一项针对中美洲裔Hispanic人群慢性肾病相关性状的研究，通过AM发现了3个GWAS未检出的祖先特异性位点。
- 优化遗传关联与多基因预测：LAAA、Tractor等局部祖先调整方法可有效提升祖先特异性遗传关联的检测能力；GAUDI框架构建的多基因风险评分，在部分性状上，比基于大规模欧洲人群GWAS构建的评分准确性更高。
挑战与展望
尽管局部祖先分析潜力巨大，实际应用仍面临三大挑战：一是个体水平原始数据获取受限；二是不同方法输出格式不统一，增加下游分析难度；三是参考面板构建存在样本量与祖先匹配性的权衡问题。未来研究需要基于大规模全基因组测序数据评估推断准确性，开发标准化工具解决现有问题，推动领域广泛应用。