基于SNP的连锁不平衡分析

合集下载

SNP分子标记的原理及应用解读

检测出来。
等位基因特异核苷酸片段分析( ASO) ，基因芯片和动态等位基因特异性杂交( DASH) 等。
SNP 的应用
种族遗传学 T a n g 等研究了来自世界五个地区(中国、马来、高加索、印度和非洲) 人群的MDR1 基因的单倍体和连锁不
平衡特征,发现具有e12/ 1236T2e21/ 2677T2e26/ 3435T
亚型的单倍型m h 5 在非洲人群以外的四种人群中高度
表达,而具有e12/ 1236C2e21/ 2677G2e26/ 3435C 亚型的
特点：由于该方法简单快速，因而被广泛运用于未知基因突变的检测。这种方法的弊端在于不能确定突变类型和具体位置。
1.3 变性梯度凝胶电泳（DGGE）
原理：是利用长度相同的双链 DNA片段解链温度不同的原理,通过梯度变性胶将 DNA片段分开的电泳技术。
2. 等位基因特异 PCR ( AS-PCR)
AB——New Master Mix
定量分析高灵敏
TaqMan® Gene Expression MasteTaqMan® Genotyping Master Mix
4. 等位基因特异性杂交
等位基因特异性杂(Allele specific hybridization ,ASH) 根据核苷酸探针和互补的目的片段进行杂交，完全匹配和有错配两种情况下杂交复合体稳定性的不同而将 SNP 位点
单倍型mh7 在非洲人群中占了1/ 3 以上,进一步证明了种族间的表形差异。
疾病易感性研究原理：SNPs 被认为是一种稳定遗传的早期突变,与疾病有着稳定的相关性。当一个遗传标记的频率在患者明显超过非患者时 ,即表明该标记与疾病关联 ,通过比较分析两者的单倍型和研究连锁不平衡性 , 可将基因组中任何未知的致病基因定位。 Horikawa 等应用 SNPs作为遗传标记通过基于连锁不平衡的相关分析 , 在墨西哥裔美国人群和北欧人群中发现了一个 DM 易感基因 , 该基因第三个内含子上的 A/ G 多态性 (SNP43) 同2 型糖尿病(2 型DM) 连锁,该位点为纯合子G的个体患2 型DM 的风险增加,这是目前为止所发现的第一个与2 型DM 相关的SNP ,预示了SNP 在DM 相关基因研究中的重要作用。

疾病相关基因SNP的分析与验证

疾病相关基因SNP的分析与验证随着技术的不断发展，生物信息学研究也日渐深入。

其中，SNP（单核苷酸多态性）成为研究生物学、药理学和医学中最重要的基因变异类型之一。

SNP分析已经成为了检测疾病和药物代谢的重要方法，而在研究人类遗传学和疾病相关基因中，SNP的应用更是不可或缺。

1. SNP的概念和分类SNP，即单个核苷酸的变异，也被称为基因突变或是基因多态性。

SNP是由单个碱基的变异所引起，通常在全基因组中有约1%的概率。

SNP被广泛应用于评估个体对疾病的易感性、药物代谢和肿瘤发生等领域。

SNP按照其在基因组中的位置分类，可分为外显子SNP、内含子SNP和调控SNP。

外显子SNP指的是存在于基因的外显子区域，可以直接影响蛋白质序列的结构和功能；内含子SNP存在于外显子和调节区域之间，通常对基因功能的影响较小；调控SNP存在于基因调节区域，可以影响基因的转录和表达，进而影响基因的功能。

2. SNP的分析SNP的分析通常包括三个步骤：SNP检测、基因型鉴定和统计分析。

其中SNP 检测是最为关键的一步，目前主要的检测技术有PCR-RFLP法、MassARRAY、SNP-PCR等。

在SNP检测的基础上，需要对检测结果进行基因型鉴定。

常见的基因型鉴定方法有PCR引物延伸分析、限制性片段长度多态性分析、基因芯片以及测序等。

最后，需要进行统计分析。

在统计分析中，最常用的是卡方检验和连锁不平衡分析。

卡方检验被广泛应用于检测基因型频率和疾病之间的关联性，而连锁不平衡分析则可以确定SNP之间的互连性。

3. SNP的验证SNP验证是保证SNP检测结果准确可靠的重要步骤。

SNP验证通常包括三个方面：测序验证、多样性验证和遗传流行病学验证。

测序验证是指通过测序对SNP检测结果进行验证。

这种验证方式直接检测SNP并确定其具体的位置和变异。

然而，测序验证的成本较高，时间较长，因此不适合高通量的SNP检测。

多样性验证是指将SNP检测结果与其他不同个体的SNP检测结果进行比较，以此确认SNP检测结果的可靠性。

关于SNP-

关于单体型haplotype

人类基因组中,相邻近的SNPs等位位点倾向于以一个整体遗传给后代。位于一条染色体上或某一区域的一组相关联的SNP 等位位点被称作单体型( haplotype) 。如果一个单体型有N 个变异位点,理论上就可能有n的 10次方种可能的单体型。实际上,大多数染色体区域只有少数几个常见的单体型(它们代表了一个群体中人与人之间的大部分多态性。一个染色体区域可以有很多SNP位点,但是只用少数几个标签SNPs,就能够提供该区域内大多数的遗传多态模式,这样将大大减少用于基因型与疾病关联分析中的SNPs—基于板块理论。
临床耐药研究中的应用

ABC 转运蛋白(ATP-binding cassette transporter ,ABCT) 属于膜转运蛋白,它能够以主动转运方式跨膜转运多种分子(包括蛋白质、多肽、糖、离子和抗生素) 。存在于哺乳动物、细菌、真菌等多种细胞中。哺乳动物细胞中P糖蛋白( P-glycoproteins ,P-gp) 就属于ABC 转运蛋白。MDR1编码完整的膜转运蛋白P-gp 。临床上有许多药物是P-gp 的底物,因此P-gp 的表达量和功能活性直接影响药物的效应。肿瘤细胞高表达P-gp 导致对多种化疗药物耐药。
RT-PCR

实时荧光PCR 技术( RT-PCR )一种通过检测 PCR 过程中和PCR 之后产生的荧光信号来区分等位基因类型的SNP 检测技术, 同时基于荧光能量转移原理( FRET) 。每检测一个SNP 位点需要一条探针, 其3‘ 端连有淬灭剂基团, 5’ 端连有荧光剂基团, 最终与SNP 位点完全匹配时探针结构被破坏, 从而发出荧光而被检测。包括TaqMan 探针技术, 分子信标术,Scorpion 探针

单核苷酸多态性与连锁不平衡研究进展_何云刚

2004年　10月第24卷　第5期基础医学与临床Basic Medical Sciences and Clinics October 2004Vol .24　No .5收稿日期:2004-09-10基金项目:国家“863”科技攻关计划(2002BA711A10)＊通讯作者文章编号:1001-6325(2004)05-0487-04单核苷酸多态性与连锁不平衡研究进展何云刚1,2,金　力1,黄　薇2＊(1.复旦大学生命科学院现代人类学研究中心,上海200433;2.国家人类基因组南方研究中心上海201203)摘要:单核苷酸多态性(sin gle nucleotide polymorphis m ,SNP )是人类基因组中最广泛的多态性现象,也是造成个体差异的最主要的遗传原因,发现和研究SNP 的工作在目前人类基因组研究中倍受关注。

连锁不平衡是不同遗传标记间存在着的非随机组合现象,SNP 作为极具优势的遗传标记为深入研究连锁不平衡、以及利用连锁不平衡进行群体遗传学的参数估计、基因精细定位、关联分析等提供了良好的先决条件。

最近,在SNP 研究及连锁不平衡的度量和连锁不平衡性质的研究方面取得的一系列进展为遗传学在将来发展奠定了基础。

关键词:单核苷酸多态性;连锁不平衡;关联分析;单倍域中图分类号:Q75 文献标识码:A 单核苷酸多态性(single nucleotide polymorphism ,SNP )是指在某种生物不同个体DNA 序列中,存在单个核苷酸变异的多态现象。

单核苷酸多态性是基因组中存在的一种数量非常丰富的变异形式,占人类基因组中遗传多态性的90%以上。

SNP 与罕见的变异不同,通常,在种群中频率等于或小于1%的此种变异被称为突变,而只有频率大于1%时才被称为单核苷酸多态性。

人类基因组中平均每500～1000个碱基对就有一个SNP ,估计整个基因组中有超过300万个单核苷酸多态位点。

大部分的单核苷酸多态性位点(约2/3)在不编码基因的DNA 序列中,少数(约1/3)位于基因内部,在同一条染色体上单核苷酸多态性的分布也是不均匀的[1]。

plink计算两个SNP位点的连锁不平衡值(LD)

plink计算两个SNP位点的连锁不平衡值（LD）连锁不平衡值（Linkage Disequilibrium，LD）是指两个或多个位点之间的关联程度，用于描述位点之间的关联性。

在遗传学中，LD是非常重要的概念，因为它可以帮助我们了解不同位点之间的遗传关系，从而提供有关基因组的进化、种群结构和复杂疾病等方面的信息。

在研究中，常常需要计算两个SNP位点的连锁不平衡值。

Plink是一种常用的计算遗传数据的软件包，可以用来计算和分析连锁不平衡值。

下面我将详细介绍如何使用Plink计算两个SNP位点的连锁不平衡值。

首先，我们需要确认使用的数据文件的格式。

Plink可以处理多种格式的数据文件，包括PED（.ped）和MAP（.map）格式、BED（.bed）格式以及VCF（.vcf）格式等。

PED和MAP文件是Plink中使用最广泛的格式，因此我们需要将原始数据文件转换为PED和MAP格式。

数据文件转换完成后，我们可以使用Plink进行连锁不平衡值的计算。

以下是计算两个SNP位点的连锁不平衡值的步骤：1. 启动Plink：在命令行中输入“plink”启动Plink。

2. 输入命令：我们需要使用Plink的“--ld”命令来计算连锁不平衡值。

命令的基本格式如下：其中，<filename>是数据文件的前缀（PED和MAP文件的前缀），<SNP1>和<SNP2>是要计算连锁不平衡值的SNP位点的标识符，<outputfile>是保存结果的文件名。

3. 运行命令：在命令行中输入上述命令，并按下回车键。

Plink将开始计算连锁不平衡值，并生成一个包含结果的输出文件。

计算结果的解释可以基于以下几个指标：-D'：D'是一种常用的连锁不平衡度量，它表示两个位点之间的关联程度。

D'的取值范围是-1到1，其中-1表示完全负相关，0表示没有关联性，1表示完全正相关。

浅谈单核苷酸多态性、单倍型及连锁不平衡

浅谈单核苷酸多态性、单倍型及连锁不平衡单核苷酸多态性(SingleNucleotidePolymorphism，SNP)是近年来研究领域中最重要的话题，它是指在染色体上存在不同的核苷酸序列，而且可能在人类基因组不同的位置上有多种形式的变异。

大多数SNP都是以单个核苷酸的形式存在的，但也有一小部分SNP可以由几个核苷酸组成，称为复合型SNP，介于这两类SNP之间的是称作单倍型的SNP。

单核苷酸多态性的发现和研究，是由许多因素促成的，其中最重要的因素是，随着基因组测序技术的日趋完善和成熟，单核苷酸多态性能够得以发现、研究和跟踪。

单核苷酸多态性可以帮助研究者理解基因和生物体的结构及进化史。

它的研究也为药物使用以及疾病的快速诊断和治疗提供了重要的支持。

在通常情况下，一个位点会出现两个基因型。

它们称为等位基因，分别由双等位字母或数字表示，比如A/G，表示A基因型和G基因型，A代表一种碱基，G代表另一种碱基（假设是A/G突变）。

如果一个位点只有一个碱基出现，它就称作单倍型（homozygosity），比如A/A 或者G/G。

单倍型（homozygosity）也被称为单核苷酸多态性的简单类型。

它们与等位基因有一定的不同，因为单倍型只有一种基因，而等位基因有两种。

单倍型可以作为一种特殊的变异，用来探测某一特定位点上有变异出现，这在精细分类学上是十分有用的。

连锁不平衡（Linkage disequilibrium）是指在染色体上邻接位点的基因型的分布不遵循随机的规则，而是相互间有联系的。

这种联系可能受到一系列因素的影响，包括遗传因素，外界环境因素以及其他的染色体环境因素的影响。

连锁不平衡对于寻求某一特定位点的变异基因以及单核苷酸多态性的研究来说，都是非常重要的。

另外，在基因组优化过程中，连锁不平衡也发挥着重要的作用。

当连锁不平衡出现在相邻两个位点之间时，就会使得交叉杂交受到阻碍，因为一个等位基因可能会受到另一个位点上的变异基因的影响。

SNP、单倍型与连锁不平衡分析

SNP、单倍型与连锁不平衡分析
SNP
• 指染色体DNA序列中的某个位点由于单核苷酸的变化而引起的多态性，在群体中的频率>1%
SNP的基本类型
• 转换与颠换 • 转换：颠换=2：1
SNPs分析：基于实验的方法
SNPs分析：基于实验的方法
• 利用数据库中的大量序列信息，采用生物信息学软件
• NCBI dbSNP /snp/
Expectation-Maximization(EM)算法进行样本单体型频率的最大似然估计
连锁不平衡
连锁不平衡
LD的定义式：D=fAB- fA*fB
LD产生的原因
• LD是由突变或重组形成的。在染色体某一 SNP附近有新的突变产生时，则LD出现
– 重组的生：两位点间LD程度低。
• 理论上，LD强度与2个SNP间的距离有关
• Ensembl /index.html
单倍型
标签SNP
单倍型推断
• Phase（贝叶斯算法）：根据自然人群中的理论值预测单倍型的类型
/software.html #fastphase • Haploview（最大似然算法），采用
– 距离越小：发生重组机会越小— LD强 – 距离越大：发生重组机会越大— LD 弱
• 实际上，也有距离很近不存在LD，而距离相当远（超过100kb）存在LD
LD的度量
• LD的度量一般不直接使用LD定义式，而对D 进行归一化后，用LD系数D’和r2进行检验
• 取值范围：0（无LD）—1(完全LD)
– /software/LDsoftware.shtml
Haplotypes median-joining network
D’的意义

基于关联或连锁不平衡的分析方法

基于关联或连锁不平衡的分析方法中山大学公共卫生学院医学统计与流行病学系李彩霞博士licx@(020)87330673-83(引用时请注明资料来源以及作者信息)如果两个基因座上的等位基因是随机关联的，即不独立，这种情况就叫做等位基因关联（allelic association）或者连锁不平衡（linkage disequilibrium，LD）。

关联通常反映了分子标记与性状功能突变之间在统计学上的非独立性（连锁不平衡），但并不一定意味着因果关系。

如果一个群体在初始状态下连锁不平衡（δ0≠0），在随机婚配条件下，在n代以后，有δn=(1-θ)nδ0。

因此连锁不平衡状态随着代数增加逐渐演变为平衡状态。

当连锁很弱，即重组率θ很大（接近1/2）时，连锁不平衡参数将随着代数的增加而迅速减小。

如果两个基因座紧密连锁，重组率θ很小（接近0），则不平衡状态将持续很多代。

连锁分析考察重组，因此，考察连锁必须有家庭数据，而由等位基因关联性（或连锁不平衡性）可以由一般的群体数据观察到，有的连锁不平衡现象可能是因为群体混杂造成的，但过大的连锁不平衡通常被视为紧密连锁的证据。

传统的连锁分析的结果通常是将基因定位在较大（例如~30cM）的基因组区域，而连锁不平衡被视为一种精细定位的方法。

Ott(1999)指出，对于那些远系繁殖的大群体，连锁不平衡通常只能延伸到0.3cM。

群体关联分析传统的病例-对照研究是基于群体而非家系的疾病关联分析，它通过随机选择病例和对照，然后比较其在标记等位基因和基因型频率上的差异来说明位点与疾病的关联性。

其缺点是：阳性结果可能由混杂因素造成，如不同分层人群（stratified populations）混杂在一起造成的虚假联系。

为了克服不同分层人群混杂的影响，相应产生了基于家庭的病例－对照研究方法。

单倍型相对风险分析（HRR，haplotype relative risk）单倍型相对风险分析是基于家系的病例－对照研究方法。

基于连锁不平衡的标签SNP预测

华中科技大学硕士学位论文基于连锁不平衡的标签SNP预测姓名：方哲翔申请学位级别：硕士专业：生物信息技术指导教师：周艳红20071110华中科技大学硕士学位论文摘要单核苷酸多态性(single nucleotide polymorphism, SNP)是人类基因组中最丰富的遗传变异，占人类基因组遗传多态性的90%以上。

基因组上的SNP位点及其相应单体型的信息已经广泛地应用于疾病易感基因定位和药物基因组学研究。

近来研究表明，许多SNP位点间存在着一定的关联性，小规模的SNP位点—标签SNP（tagSNP）就可以提供全体SNP的遗传模式信息。

将标签SNP位点应用于复杂遗传疾病以及药物反应的关联分析中，可以极大地减少SNP基因分型的费用，提高关联分析的效率。

因此，如何有效地预测标签SNP已经成为当前生物信息学领域的研究热点之一。

为此，开展了标签SNP预测的相关研究。

针对SNP基因型数据集，开发了基于连锁不平衡（linkage disequilibrium, LD）的标签SNP预测程序tagSNPPRE。

首先以SNP序列中成对SNP间的连锁不平衡为基础，划分模糊单体域（haplotype block）；并使用贪心穷举的混合算法预测出所有候选标签SNP集；再融合单个SNP位点的基因型分型率（%genotype）、最小等位基因频率（MAF）以及哈迪-温伯格平衡P值（HWPval）三个统计特征对所有候选标签SNP集进行筛选，最终得出最佳的标签SNP集。

在广泛使用的基因型数据集上进行测试，测试结果显示tagSNPPRE具有较好的预测效果。

为了方便标签SNP相关新特征的挖掘和发现，初步构建了本地二级数据库—SNP数据库。

以国际知名的数据库dbSNP作为数据来源，对dbSNP数据库进行了分析和处理，完成了SNP数据库的初步构建工作，并提供SNP查询服务。

关键词：单核苷酸多态性; 标签SNP; 连锁不平衡; 单体域; 单体型华中科技大学硕士学位论文AbstractSingle nucleotide polymorphism (SNP) is the most common type of genetic variants in human genome，taking up more than 90% of human genetic polymorphisms. SNPs and haplotypes in the human genome have been widely used in the identification of disease-associated genes and the study of pharmacogenomics. Recent studies have revealed that many SNPs are strongly correlated, which makes it feasible to choose a small amount of SNPs that contain almost the entire genetic model information. The use of tagSNPs can greatly reduce genotyping expense and is promising to improve the effect of association studies. Therefore, how to effectively predict the tagSNP has become one of the most important studies in the field of Bioinformatics, and a study of tagSNP prediction is presented.A computational program tagSNPPRE is developed to predict tagSNPs on the genotype dataset. First, it partitions the haplotype blocks based on linkage disequilibrium of pairwise SNPs and uses the greedy exhaustive hybrid approach to work out all the potential tagSNP sets. Then it predicts the best tagSNP set out of potential tagSNP sets using three statistical features(%genotype、MAF and HWPval). Testing results on the widely used genotype dataset demonstrate that tagSNPPRE has better prediction accuracy.In order to mine new features for the prediction of tagSNPs, a secondary local SNP database is preliminarily constructed. The SNP database is built based on the information and biological data provided by the famous database dbSNP. The downloaded primary data is analyzed and processed, and then is successively shifted into local database for further research. The preliminary construction of SNP database has finished, and then the search service has been provided.Key words: single nucleotide polymorphism; tagSNP; linkage disequilibrium;haplotype block; haplotype独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。

基因组学研究中SNP标记方法与数据分析

基因组学研究中SNP标记方法与数据分析SNP标记方法与数据分析在基因组学研究中起着重要的作用。

SNP（Single Nucleotide Polymorphism，单核苷酸多态性）是基因组中最常见的变异形式，是导致个体间遗传差异的主要原因之一。

因此，对SNP标记方法和数据分析的研究对于揭示基因与表型之间的关联、为功能基因组学研究提供有效工具具有重要意义。

SNP标记方法主要分为两种：基于技术平台的方法和计算预测的方法。

技术平台包括传统的基因测序、SNP芯片和下一代测序。

传统的基因测序方法通过测序反应来确定SNP位点上的碱基，虽然准确性高，但费时费力。

SNP芯片是一种高通量的方法，可以同时检测多个SNP位点，准确性相对较低。

下一代测序则是目前最常用的方法，具有高通量、高分辨率、低成本的特点。

在SNP标记方法的选择上，需要根据研究对象、目标和预算来权衡不同方法的优缺点。

在SNP标记数据的分析中，主要涉及到数据的预处理、基因型分型和遗传关联分析。

首先，数据的预处理包括对原始数据进行质量控制、过滤掉低质量的SNP位点和个体，以及进行数据标准化和归一化。

这一步骤对后续的分析至关重要，能够减少误报率和漏报率，提高结果的可靠性。

其次，基因型分型是确定每个个体在每个SNP位点上的基因型。

由于SNP位点的碱基组合较多，需要运用一系列的算法和统计模型来进行基因型分型，其中包括Bayes算法、混合模型和机器学习方法等。

最后，遗传关联分析是研究SNP位点与表型之间关联的主要方法，可以通过构建模型、计算单个SNP的关联程度，或者进行基因组广义关联分析（GWAS），来揭示SNP位点与表型之间的关系。

在进行SNP标记方法和数据分析时，还需注意一些常见的挑战和问题。

首先，SNP标记的质量控制和过滤是一个关键的步骤，需要选择合适的阈值来确保数据的准确性。

同时，样本大小也是一个重要的考虑因素，在样本量较小时，可能会出现较大的偏差。

另外，SNP位点之间的连锁不平衡（Linkage Disequilibrium，LD）也需要在分析中进行考虑，以减少虚假关联的可能性。

基于SNP的连锁不平衡分析

基于SNP的连锁不平衡分析SNP（单核苷酸多态性）是一种常见的遗传变异形式，它在人类基因组中广泛存在。

SNP的分析对于研究基因和疾病之间的关联以及个体遗传多样性具有重要意义。

连锁不平衡是指不同位点上的SNP之间存在非随机的关联。

基于SNP的连锁不平衡分析是一种研究人类遗传变异和疾病相关性的重要方法。

在过去的几十年中，研究人员已发现SNP在人类基因组中的定位，并建立了全球多种族的SNP数据库。

借助这些数据库，研究人员可以对不同个体和个体群体中的SNP进行分析，并研究这些SNP与特定疾病之间的关联。

连锁不平衡分析基于人类基因组中SNP之间的非随机关联进行。

通常，SNP之间的连接表现为连锁不平衡区块。

通过对大量SNP的分析，研究人员可以确定这些区块，并评估它们与疾病之间的相关性。

在研究中，研究人员通常使用统计学方法来确认这些关联，如皮尔逊卡方检验和Fisher确切概率检验。

连锁不平衡分析的目标是确定SNP与疾病之间的关联，以便进一步研究疾病的遗传机制。

通过分析SNP之间的连锁不平衡，研究人员可以发现一些SNP与特定疾病之间的高度关联，从而提供了潜在的遗传变异标记。

这些标记可以用于疾病风险评估、个体遗传多样性研究、个性化医疗和药物研发等领域。

在连锁不平衡分析中，研究人员通常需要考虑多个因素，如样本大小、个体群体的遗传背景和其他环境因素。

此外，SNP之间的连锁不平衡关系可能存在种族和地理差异。

因此，在连锁不平衡分析中，研究人员需要对样本进行严密的筛选和分类，并考虑这些因素的影响。

需要注意的是，虽然连锁不平衡分析可以揭示SNP与疾病之间的关联，但它并不能确定因果关系。

因此，研究人员在进行连锁不平衡分析时需要谨慎解读结果，并结合其他实验证据来确定SNP与疾病之间的具体关系。

总之，基于SNP的连锁不平衡分析是一种有效的研究人类遗传变异和疾病相关性的方法。

通过分析SNP之间的非随机关联，研究人员可以鉴定潜在的遗传变异标记，并进一步研究这些标记与疾病之间的关系。

haploview进行连锁不平衡分析

haploview进行连锁不平衡分析haploview 是基于图形界面的软件，其界面设计良好，用法简单，是进行连锁不平衡分析的主流软件之一。

需要两个输入文件，后缀分别为是样本的基因分型结果，这种格式在之前的文章中详细介绍过了；ID和位置信息，内容如下第一列为SNP位点的ID, 第二列为SNP位点在基因组上的位置。

1. 导入输入文件点击DataFile 指定输出的Data File的同时，程序会自动识别info文件；Ignore pairwise comparisons of markers 指定计算LD的范围，默认只对距离在500kb以内的SNP位点分析连锁不平衡，可以根据自己的需要进行调整，比如调整到1000Kb;Exclude individuals 对样本进行过滤，默认基因型缺失的比例大于50%的样本被剔除。

当所有参数设置好之后，点击2. 对输入的SNP位点进行过滤可以根据SNP位点符合要求。

3. LD plot点击按钮，就可以看到如下所示的连锁不平衡的热图；每个格子代表了两个SNP位点之间的LD分析结果，颜色从白色到红色，代表连锁程度从低到高。

右键点击格子，可以看到LD分析的详细结果。

方框中的数值为100。

通过最上方的相互之间高度连锁的SNP位点构成了比如下图中的1-8构成了block1, 长度为84kb。

4. haplotypes基于LD分析的结果，可以去定义一个haplotype block。

通过最上方的5. Tagger一个是筛选SNP位点，通过勾选对应的单选框，可以指定想要进行分析的SNP位点；第二个用途是指定tagSNPs挑选的算法，默认是pairwise tagging only。

设置好之后，点击框中显示的就是挑选出的tagSNPs, 鼠标左键单击每个SNP 位点，在下方的Alleles captued by Current Selection 框中，会显示该tagSNP代表的其他SNP位点。

SNP分子标记的原理及应用解析

特点：由于该方法简单快速，因而被广泛运用于未知基因突变的检测。这种方法的弊端在于不能确定突变类型和具体位置。
1.3 变性梯度凝胶电泳（DGGE）
原理：是利用长度相同的双链 DNA片段解链温度不同的原理,通过梯度变性胶将 DNA片段分开的电泳技术。
2. 等位基因特异 PCR ( AS-PCR)
管经强激光激发，核酸分子解吸附为单电荷离子，电场中
离子飞行时间与离子质量成反比，通过检测核酸分子在真空管中的飞行时间而获得样品分析物的精确分子量，从而检测出SNP位点信息。☺
优势
（1）质谱仪检测的是分子最本质的特征之一——分子量，不涉及荧光标记、凝胶电泳等，就能检测一个碱基的差异，准确性高，机器本身出错的概率非常低；（2）质谱仪的灵敏度非常高，检测窗口内，任何pmol级别的物质都能被检测出来；（3）通量高：几秒就能检测完一个反应孔；（4）操作简单，仪器要求简单，除质谱仪外，都是常规PCR仪器；（5）灵活：每天可以完成几个反应至上万个反应；（6）便宜：引物不带荧光标记，普通长度（3条引物总长80bp左右），此外在一个反应孔内能完成4个或更多的反应，即通常所说的4重反应；（7）兼容性强：质谱仪还能在核酸的其它方向，以及蛋白质组学、微生物鉴定等领域也能应用。（8）质谱技术是“一管式操作”，即反应体系在生化学实验过程中始终在一个试管内反应，没有多次转移，这样就减少被污染的概率。
SNaPshot PCR产物纯化
乙醇沉淀法: 11 个步骤, > 1 小时
Add reagents
Seal plate & incubate
Centrifuge
Empty plate
Add reagents

基于SNP的连锁不平衡分析

SNP1(A，a)
药物基因组学教研室
SNP2(B，b)
假设：位于同一条染色体相邻两个SNP：
SNP1(A，a)
SNP2(B，b)
3组合方式（单体型）：AB，Ab，aB：ab。 3如果A与B无LD：两个SNP的等位基因相互独立，随机组合，概率为AB:Ab:aB:ab=0.25: 0.25:0.25:0.25， AB组合的频率：fAB= fA×fB（等位基因频率） 3如果A与B存在LD：A与B连锁，当完全连锁时概率为AB:ab=0.5:0.5， AB组合的频率fAB= fA×fB +D，（D表示两位点间LD程度)
药物基因组学教研室
已知SNPs 突变错配扩增检验实时定量PCR技术焦磷酸微测序技术荧光偏振光技术基因芯片技术
可用于基因型的分析
SNPs分析: 基于公共数据库的方法
5 利用数据库中的大量序列信息，采用生物信息学软件，用计算机自动识别,是发现SNPs的新策略和重要方法。 5 与癌症和肿瘤相关的候选SNP数据库： http://cgap. ncbi. nih. gov/ GAI 5 适于生物医学研究的SNP数据库： http:// www. ncbi. nlm. nih. gov/ SNP 5 人类SNP数据库： http://hgbas. cgr. ki.sei 或http//hgbase.interactiva.de /
药物基因组学教研室
2(B，b)
LD的度量
6 LD的度量一般不直接使用LD定义式, 而对D进行归一化后，用LD系数D’和r2进行检验。︱D′︳＝D2／min(fA fb, fa fB) (D＜0) ︱D′︳＝D2／min(fA fB, fa fb) (D＞0) r 2＝D2／fA fa fB fb 6 取值范围：0（无LD）——1（完全LD）。

SNP连锁不平衡下的基因隐私保护模型

SNP连锁不平衡下的基因隐私保护模型刘海;吴振强;彭长根;雷秀娟【摘要】人类基因测序技术的快速发展,测序成本大幅降低,使基因数据得到广泛的应用,在全基因组的单核苷酸多态性与疾病关联研究中,单核苷酸多态性与患者的身份、表型和血缘关系等敏感信息相关联,单核苷酸多态性连锁不平衡容易导致患者的隐私信息泄露.为此,基于单核苷酸多态性连锁不平衡相关系数,提出矩阵差分隐私保护模型以实现基因数据和单核苷酸多态性连锁不平衡的隐私保护,同时确保基因数据具有一定的效用.该模型可以实现单核苷酸多态性连锁不平衡下全基因组关联研究中基因数据隐私与效用的权衡,并对单核苷酸多态性连锁不平衡下的基因隐私保护具有促进作用.【期刊名称】《软件学报》【年(卷),期】2019(030)004【总页数】12页(P1094-1105)【关键词】单核苷酸多态性连锁不平衡;差分隐私;基因隐私;基因数据效用【作者】刘海;吴振强;彭长根;雷秀娟【作者单位】陕西师范大学计算机科学学院,陕西西安 710119;陕西师范大学计算机科学学院,陕西西安 710119;贵州省公共大数据重点实验室(贵州大学),贵州贵阳550025;陕西师范大学计算机科学学院,陕西西安 710119【正文语种】中文【中图分类】TP309基因数据是富含人类重要信息的生物大数据[1],并且是人类脱氧核糖核酸(deoxyribonucleic acid,简称DNA)序列的总称.DNA是生物遗传信息的携带者,与生物的繁殖、遗传及变异密切相关.DNA序列包含 30亿由4种核苷酸(腺嘌呤A、鸟嘌呤G、胸腺嘧啶T、胞嘧啶C)组成的碱基对,人类有99.9%共同的DNA序列,其中,大约有 5 000万单核苷酸多态性(single nucleotide polymorphism,简称SNP).SNP是最常见的 DNA变异,SNP是指个体DNA序列同一位置单个核苷酸变异所引起的多态性.SNP变异由单个碱基的转换(C↔T,在其互补链上则为 C↔A)或颠换(C↔A,G↔T,C↔G,A↔T)所引起,一般所说的 SNP变异由碱基转换所致.通常对于每个 SNP位点具有两个不同核苷酸(称为等位基因),一个是高频率的主要等位基因,一个是低频率的次要等位基因.等位基因是同源染色体上的相同位点控制同一性状的不同形式的基因.位点是染色体上一个基因或标记的位置.SNP的连锁不平衡(linkage disequilibrium,简称LD)是一种普遍存在的生物现象,指的是基因序列中任意两个邻近SNP之间的等位基因在多代遗传中的非随机组合现象.随着高通量基因测序技术的发展,测序成本大幅度降低,产生了海量高维的基因数据.基因数据广泛用于科学研究、面向消费者服务和法律与司法鉴定等[2].例如,在全基因组关联研究(genome-wide association studies,简称GWAS)中可以识别与SNP相关的疾病[3].但是,SNP携带个体健康的隐私敏感信息,并且可以唯一标识人类个体,基因数据使用不当会导致敏感信息泄露[4],例如,载脂蛋白E(apolipoprotein E)基因的两个 SNP(rs7412和rs429358)会增加患老年痴呆症(Alzheimer’s disease)的风险.并且在连锁不平衡下,可以从SNP相关的敏感信息推断出其他SNP相关的敏感信息.因此,本文基于SNP连锁不平衡相关系数,提出基因隐私保护模型:矩阵差分隐私(matrix differential privacy,简称MDP).该模型既可以保护基因数据和SNP连锁不平衡的隐私,同时确保基因数据具有一定的效用.由于 SNP可以唯一标识人类个体,并且关联表型和血缘关系等隐私敏感信息.如果没有适当地对基因数据进行隐私保护,将会阻碍科学研究的进步和发展,并给人类社会带来巨大影响.例如,在基因组序列中只需 30～80个独立的SNP位点就可以唯一重识别个体[5],进而导致其关联的隐私敏感信息泄露.从GWAS中揭示个体的疾病状态[6]可能会导致工作和保险中的基因歧视[7].考虑到具有血缘关系个体之间的基因数据非常相似,可以从GWAS中推断个体的亲戚及其相关的表型敏感信息[4].因此需要联合法律法规和隐私保护技术来实现基因数据的隐私保护.目前国内尚未有专门的基因隐私保护法律法规,美国于 1996年颁布了 HIPAA(health insurance portability and accountability act)禁止基因歧视.除了专门的基因隐私保护法律法规外,还需要隐私保护技术来实现基因数据的隐私保护.由于基因与人类的敏感信息密切相关,基因-疾病关联分析中目前主要有 3类基因隐私保护方法,包括密码学[8-11]、安全计算[12,13]和差分隐私[14-18].为了从分布式基因数据中分析罕见疾病,Chen等人[8]提出隐私保护分布式协作框架 PRINCESS,并使用AES-GCM(advanced encryption standard in galois counter mode)加密所有基因数据,PRINCESS为了保护健康信息的隐私对加密数据执行安全的分布式计算.在使用 AES-GCM 加密基因数据时,由于密钥分发通信代价高而使加解密受限,并且不可信用户解密后通过分析基因数据导致患者隐私泄露.因此,为了防止不可信用户解密后分析基因数据导致的隐私泄露,使用同态加密直接对密文进行计算.Ayday[9]使用Paillier密码系统和Honey加密方法保护基因数据的隐私.为了发现罕见变异与疾病易感性的关系,基于惩罚似然的确切逻辑回归(exact logistic regression)减少偏差的方法,Wang等人[10]在同态加密的确切逻辑回归的基础上提出HEALER框架,便于在 GWAS中安全地实现小抽样的罕见疾病变异分析.为了实现查询和结果的隐私保护,Shimizu等人[11]基于加法同态加密的不经意传输(oblivious transfer)隐藏序列查询和感兴趣的基因区域.由于同态加密基于有限域数学理论,计算效率非常低,并且在不可信用户解密后同样面临隐私泄露的问题.在人类基因序列之间,安全计算编辑距离(edit distance)在医学的个人基因数据和公共健康领域呈现出许多有趣的应用.Wang等人[12]结合基因编辑距离近似算法和隐私集合差大小协议设计隐私编辑距离协议,并基于此,设计全基因组安全相似患者查询系统GenSets.最近的工作表明,个体的微生物DNA序列与人类个体标识相符合,并且可以关联基因数据集中敏感属性的实际身份.目前,DNA隐私保护分析工具不满足微生物测序研究的要求.为了解决微生物测序的隐私问题,Wagner等人[13]使用安全计算实现宏基因组分析.基因数据的安全计算中计算效率低,而且通信代价高.从基因数据选择到GWAS统计值的隐私保护,差分隐私[14]已经广泛应用于基因数据.例如,在DNA数据选择过程中,Zhao等人[15]利用连锁不平衡对高维单体型降维到单体型块,并通过对单体型块的次要等位基因计数加噪音产生差分隐私实验数据集,不但保护了患者的隐私,而且保证了 DNA数据的效用.在隐私保护数据选择中仅仅通过对次要等位基因计数加噪音来实现差分隐私.由于隐私攻击对参与 GWAS 患者的隐私具有潜在的威胁,Cai等人[16]提出了差分隐私技术是一个有希望的研究方向,差分隐私通过注入随机噪音到基因型频率、基因型-疾病关联性和基因型-基因型关联性统计值.但并未考虑SNP的连锁不平衡性质.假设GWAS的基因数据是不相关的,Tramèr等人[17]考虑更多合理的背景知识作为先验分布,提出有界先验差分隐私用于 GWAS中每个SNP列联表的χ2-统计值达到效用与隐私的平衡.不过,同样没有考虑基因数据中SNP的连锁不平衡性质.然而,在挖掘最重要的SNP的所有差分隐私方法中都具有准确度或计算效率的缺点,为此,Simmons和Berger[18]使用等位基因检测统计值的输入扰动和自适应边界的方法来克服准确性问题.总的来说,在GWAS中的差分隐私保护研究仅仅考虑添加噪音到统计值,而没有考虑SNP的连锁不平衡性质,并且没有对原始基因数据进行隐私保护.但是,基于GWAS中的统计值和SNP的连锁不平衡,可以推断出患者的隐私信息.因为SNP连锁不平衡是同一染色体上相互邻近的等位基因可能同时遗传到后代.那么从一个 SNP位点的敏感信息可以推断出其他SNP位点相关的敏感信息.例如,在SNP连锁不平衡下,观察到的SNP越多,基因隐私保护强度越低[4].现有的工作主要有两方面的局限性:(1) 没有从基因数据而仅仅是从GWAS中的统计值上实现患者的差分隐私；(2) 没有考虑SNP连锁不平衡下的基因数据隐私保护.另外,由于基因型数据只包含数值0、1和2,如果对基因数据直接使用差分隐私机制将导致基因数据效用灾难,详见第4.4节基因数据的效用分析.为了解决此问题,本文提出基因数据和SNP连锁不平衡的矩阵差分隐私保护模型.首先将单核苷酸多态性二倍体基因数据进行矩阵存储,然后在连锁不平衡下基于严格的差分隐私定义实现二倍体基因数据以及 SNP连锁不平衡的不可区分性,最后运用模余运算进行二倍体基因数据的置换.矩阵差分隐私保护模型不仅满足差分隐私,而且确保一定的基因数据效用.同时,矩阵差分隐私保护模型可以扩展到基因数据的其他应用领域.本文主要贡献如下.(1) 结合SNP二倍体基因数据的矩阵存储、SNP连锁不平衡下严格的差分隐私定义和模余运算,提出矩阵差分隐私保护模型作为基因隐私保护的新方法.(2) 基于拉普拉斯机制和高斯机制,在 SNP连锁不平衡相关系数下,设计矩阵差分隐私保护模型的算法,实现基因数据与SNP连锁不平衡的隐私保护.(3) 矩阵差分隐私保护模型确保基因数据效用在区间[R0,1]中,其中,R0表示当隐私预算最小时矩阵差分隐私下噪音矩阵中模3余0元素数量的百分比值.本文第1节介绍基因背景知识以及矩阵计算、模余运算和差分隐私的预备知识.第2节提出矩阵差分隐私保护模型.第 3节对矩阵差分隐私进行理论分析.第 4节分别对矩阵差分隐私的隐私保护和基因数据效用进行实验分析.第5节对全文进行总结.1 预备知识首先介绍基因的背景知识.然后介绍矩阵计算、模余运算和差分隐私的预备知识.1.1 基因组尽管人类的DNA大部分是相同的,但是产生的变异大约有5 000万,其中SNP是人类最常见的DNA变异.由于每个SNP位点的两个核苷酸分别从父亲和母亲的基因中遗传而来,因此可能是高频率的主要等位基因,也可能是低频率的次要等位基因.每个SNPgi具有次要等位基因的频率为,对于一个个体的基因型SNP的次要等位基因频率表示为m维向量.用B表示主要等位基因,b表示次要等位基因,B,b∈{A,C,G,T},并且编码BB为0,Bb为1,bb为2.考虑SNP序列作为个体的基因数据,称为二倍体基因型,其中,每个基因型取值属于集合{0,1,2}.因此,单倍体基因型对应一条染色体,而二倍体基因型对应一组染色体.在人类基因组序列中,每个序列可以表示为有序的SNP序列g1,g2,…,gm序列,其中,每个gi∈{0,1,2}.假设gi与gj相互连锁不平衡,(B,b)和(D,d)分别是gi和gj的等位基因.假设(p1,1-p1)和(p2,1-p2)分别是(B,b)和(D,d)的等位基因概率.这里,等位基因频率即是等位基因的概率.如果gi和gj相互独立,那么个体在gi和gj的主要等位基因是B和D的概率为p1p2.然而,由于gi和gj的关联性,因此连锁不平衡系数为LD=P(BD)-P(B)P(D),其中,在连锁不平衡下,P(BD)等于在 SNP位点i和j的等位基因B和D共同出现在群体中的频率,并使用作为SNP连锁不平衡的相关系数,当rij=1时,表示最强的SNP连锁不平衡[4].1.2 矩阵计算对于两个n×m 矩阵S=(sij)n×m和T=(tij)n×m,其中,1≤i≤n,1≤j≤m.S 和T 之间的加运算定义为(cij)n×m=(sij)n×m+(tij)n×m,其中,cij=sij+tij.另外,round(S)表示运用四舍五入规则将矩阵S中的元素取整的近似运算.1.3 模余运算给定整数s、t、q和r,余数r=s-qt表示为r≡s modt(0<r<t),该运算称为模余运算.如果任意整数si(1≤i≤k)除以t的余数都是r,那么集合R=(s1,s2,…,sk)构成一个等价类.因此,从集合R中选择一个整数si满足等式r=si-qit的概率是1/k.1.4 差分隐私根据两个相同的概率分布是不可区分的,对于个体数据的集合,差分隐私[14]确保一个攻击者的能力是相同的,独立于任何个体是否在数据集中.因此,在同样大小的数据集之间,邻近数据集仅只有一个不同.也就是说,两个邻近数据集X1和X2的汉明距离(Hamming distance)为d(X1,X2)=1.其中,差分隐私定义如下.定义1(差分隐私).给定ε≥0,如果有任意两个邻近数据集X1和X2,对于拥有全背景知识的攻击者,随机机制M的任意输出S⊆Range(M)使得P r[M(X1) ∈S ]≤eεPr[M(X2)∈S]+δ,那么M 是(ε,δ)-差分隐私.其中,1-δ∈[0,1]是M 满足(ε,δ)-差分隐私的概率,并且,如果δ=0,那么M 是ε-差分隐私.为了实现差分隐私机制,需要计算查询函数f的敏感度,查询函数f:X→Rk的敏感度是另外,差分隐私具有后处理(post-processing)和并行组合(parallel composition)[19]的性质.性质1(后处理).随机机制M:X→R关于数据集X是(ε,δ)-差分隐私,f:R→R′是一个随机映射,那么f◦M:X→R′是(ε,δ)-差分隐私.性质 2(并行组合).随机机制Mi满足(εi,δ)-差分隐私,数据集Xi是X 的子集,且，那么Mi的并行组合满足(max{εi},δ)-差分隐私.2 基因隐私保护模型首先引入SNP连锁不平衡下对基因数据的攻击模型,接下来提出基因隐私保护模型:矩阵差分隐私.2.1 攻击模型因为通过 SNP可以识别个体及其相关的敏感信息.假设攻击者已经观察到隐藏的SNP,并且攻击者是honest-but-curious.攻击者可以通过成对的SNP连锁不平衡获得敏感信息,例如相邻两个位点i和j的SNPgi和gj,它们之间存在SNP连锁不平衡,如果gi与某种疾病易感性相关,那么gj也与该疾病相关.2.2 矩阵差分隐私保护模型在SNP连锁不平衡下,由于基因数据的隐私保护需求,我们首先给出基因隐私保护模型——矩阵差分隐私,如图1所示,该模型主要包括3部分.第1部分为编码SNP二倍体基因数据并用矩阵存储.第2部分为对已编码的SNP二倍体基因数据进行随机扰动,同时满足基于SNP连锁不平衡下的差分隐私.第3部分为使用模余运算置换随机扰动的SNP基因数据.其中,各个部分的主要思想如下.在第1部分,B表示主要等位基因,b表示次要等位基因,根据等位基因的频率,将主要等位基因B编码为0,次要等位基因b编码为1,并且B,b∈{A,C,G,T},编码基因型BB为0,Bb为1,bb为2.那么对于n个个体,每个个体有m 个 SNP,用矩阵表示为X=(xij)n×m(1≤i≤n,1≤j≤m),且xij∈{0,1,2}表示第i个个体第j个位点的 SNP基因型.第 2部分是对 SNP二倍体基因数据进行随机扰动,并且满足 SNP连锁不平衡下的差分隐私.图 2所示为SNP二倍体基因型数据随机扰动的主要思想,根据SNP连锁不平衡下的差分隐私扰动机制,将SNP二倍体基因型矩阵元素xij∈{0,1,2}分别以概率p1、p2和p3进行随机扰动.这里,p1、p2和p3是SNP连锁不平衡下差分隐私随机噪音对应的概率.如图2所示,第3部分对随机扰动的二倍体基因型数据进行模余运算,使其具有SNP二倍体基因型数据的语义,并根据等位基因频率和基因型编码置换为相应的基因型. Fig.1 The genomic privacy preserving framework for SNP linkage disequilibrium图1 SNP连锁不平衡下的基因隐私保护模型Fig.2 The differential privacy perturbation mechanism for SNP linkage disequilibrium图2 SNP连锁不平衡下的差分隐私扰动机制2.3 矩阵差分隐私矩阵X=(xij)n×m表示n个个体的SNP,每个个体的DNA序列有m个SNP,其中,xij∈{0,1,2}表示个体i的SNPgj的随机变量.特别地,Xi=(xi1,xi2,…,xim)表示个体i的SNP序列取值.的邻近矩阵只有一个元素不同.对于查询第i个个体的第j个位点的SNP的函数f,考虑SNP连锁不平衡,查询函数f的敏感度为因为xij∈{0,1,2},所以查询函数f的敏感度为Δf=2.本文用表示个体i的所有 SNPgi和gj的连锁不平衡的相关系数rij(i≠j,1≤i≤m,1≤j≤m)的最大值,是所有n个个体连锁不平衡的相关系数的最大值.为了构建矩阵差分隐私,需要在 SNP连锁不平衡下产生满足差分隐私的随机噪音矩阵Y=(yij)n×m,且噪音yij服从尺度参数为的概率分布.下面结合矩阵加运算、SNP连锁不平衡下的差分隐私定义和模余运算,给出矩阵差分隐私的定义.定义 2(矩阵差分隐私).给定ε≥0,任意两个邻近矩阵,对于具有全背景知识的攻击者,M的任意输出S=(sij)n×m⊆Range(M),使得.那么,随机机制是差分隐私.另外,由于个体i的SNP序列值表示为向量Xi=(xi1,xi2,…,xim).类似地,下面我们来定义向量差分隐私.定义3(向量差分隐私).给定ε≥0,任意两个邻近向量,对于具有全背景知识的攻击者,M的任意输出Si=(sij)1×m⊆Range(M),使得.那么,随机机制是差分隐私.因此,向量差分隐私是矩阵差分隐私的特例.下面给出矩阵差分隐私的通用算法1.其中,概率分布π(Δfc/max可以是拉普拉斯分布和高斯分布,即噪音矩阵(yij)n×m是由拉普拉斯机制(Laplace mechanism,简称LM)和高斯机制(Gaussian mechanism,简称GM)[20]产生的.相应的常数c分别为1和.由于SNP二倍体基因型矩阵存储(xij)n×m中元素xij∈{0,1,2},这里暂且将xij看作字符型,简单地定义基因型xij的效用函数为u:xij→xij,也就是说,u(xij=0)=0,u(xij=1)=1和u(xij=2)=2,那么效用函数的敏感度为Δu=2,因此在指数机制下选取基因型值0、1和2的概率分别正比于1、eε/4和eε/2.因为SNP基因型矩阵及其对应的效用矩阵的元素都是0、1和2,所以通过指数机制选择基因型值 0、1和 2的随机性较差,那么在SNP基因型数据的这种效用函数定义方式下,使用指数机制将导致基因型数据及其相关的敏感信息泄露,因此本文没有考虑指数机制(exponential mechanism,简称EM)[20].算法1.在SNP连锁不平衡下的矩阵差分隐私.3 矩阵差分隐私的分析下面从理论上分析矩阵差分隐私的性质.定理1.矩阵差分隐私是差分隐私.证明:让是邻近矩阵,因此有.噪音矩阵round ( (yij )n× m )中元素yij服从尺度参数为的概率分布.在矩阵差分隐私中,噪音矩阵是由拉普拉斯机制和高斯机制产生的.所以,根据性质 2,对于个体i,使用噪音向量(yij)1×m扰动基因数据(xij)1×m是满足(ri maxε,δ)-差分隐私的.这里,对应于邻近矩阵 ,添加到的噪音矩阵(yij)n×m服从期望为 0的概率分布,则有由性质2可知,不等式成立.由性质1,下面两个不等式成立:所以不等式成立.因此,矩阵差分隐私机制M 满足差分隐私.□为了分析矩阵差分隐私的效用,因为S= (sij )n × m ⊆Range( M),本文使用度量矩阵差分隐私机制的效用[18].定理 2.矩阵差分隐私的效用在[R0,1]区间,R0表示隐私预算ε最小时矩阵差分隐私下噪音矩阵中模 3余 0元素数量的百分比值.证明:首先考虑3种极端的情况.(1) 当噪音矩阵Y=(yij)n×m的所有元素满足round(yij) mod 3=0时,round((yij)n×m)的所有元素都模 3同余 0.因此,在(xij)n×m与(sij)n×m⊆Range(M)之间的所有 SNP二倍体基因型数据相同.因此,矩阵差分隐私机制的最大效用为1.(2) 当噪音矩阵Y=(yij)n×m的所有元素满足round(yij) mod 3≡1时,(0+1) mod 3≡1,(1+1) mod 3≡2和(2+1) mod 3≡0.因此,(xij)n×m与(s ij)n×m⊆Range(M)之间的所有 SNP二倍体基因型取值都不相同,此时矩阵差分隐私机制的效用是0. (3) 当噪音矩阵Y=(yij)n×m的所有元素满足round(yij) mod 3≡2时,(0+2) mod 3≡2,(1+2) mod 3≡0和(2+2) mod 3≡1.因此,(xij)n×m与(sij)n×m⊆Range(M)之间的所有 SNP二倍体基因型取值也都不相同,此时矩阵差分隐私机制的效用是0. 上述证明中考虑(2)和(3)两种极端情况,使矩阵差分隐私下基因数据的效用为0.然而,由于噪音的随机性,矩阵差分隐私下基因数据的最小效用是大于0的,详见第4.4节基因数据的效用分析.下面考虑第4种情况.(4) 在矩阵差分隐私中,由于隐私预算ε越小,邻近基因数据矩阵的不可区分性越好,进而矩阵差分隐私保护越强,那么基因数据的效用达到最低.在矩阵差分隐私中基因数据的效用与模 3余 0的噪音数量的百分比值是一致的.也就是说,如果隐私预算ε最小,矩阵差分隐私产生模 3余 0的噪音数量百分比值为R0(1＞R0＞0),那么基因数据的最小效用为R0.反之,隐私预算ε越大,基因数据效用可达到百分比值1.综上,由于噪音的随机性,矩阵差分隐私机制的效用属于区间[R0,1]. □定理3.考虑连锁不平衡、矩阵加运算和模余运算的计算复杂度分别为O(n×m2)、O(n×m)和O(n×m).矩阵差分隐私的计算复杂度如下:(1) 当n=m时,矩阵差分隐私的计算复杂度为O(n3)；(2) 当n＞m时,矩阵差分隐私的计算复杂度为O(nm2)；(3) 当n<m时,矩阵差分隐私的计算复杂度为O(nm2).证明:在矩阵差分隐私中,产生随机噪音是有效的,忽略其计算复杂度,而计算连锁不平衡、矩阵加运算和模余运算分别需要8n×(m2-m)、n×m和n×m次运算,考虑3种情况.(1) 当n=m时,矩阵差分隐私的计算复杂度为O(n3).(2) 当n＞m时,矩阵差分隐私的计算复杂度为O(nm2).(3) 当n<m时,矩阵差分隐私的计算复杂度为O(nm2).□总之,矩阵差分隐私满足差分隐私的定义,同时具有效用属于区间[R0,1],其中,R0是矩阵差分隐私下隐私预算最小时噪音矩阵中模3余0元素数量的百分比值,并且矩阵差分隐私的计算复杂度是多项式时间的.4 实验分析本文在矩阵差分隐私下选择拉普拉斯分布和高斯分布来进行实验分析.首先进行噪音分析,然后与拉普拉斯机制和高斯机制比较分析矩阵差分隐私保护模型的隐私和效用.在所有的实验分析中,考虑SNP二倍体基因型数据的特点,初始化SNP连锁不平衡的相关系数为rij=1和敏感度Δf=2.另外,分别初始化隐私预算ε=0.001和概率值δ=0.01.4.1 数据集国际人类基因组单体型图计划(Int’l Hapmap Project)的数据是公开可用的[21],本文使用2010年5月发布的阶段III的165个CEU(utah residents with northern and Western European ancestry from the CEPH collection)群体的22号染色体的基因型和频率数据集.在实验分析之前,基于频率数据集预处理基因型数据集,将 SNP二倍体基因型数据编码为0、1和2.在CEU基因型数据集中,将丢失的数据’NN’用0代替.本文分别选择500、1 000和1 500个SNP位点进行实验分析.4.2 噪音分析在矩阵差分隐私中,尺度参数为的拉普拉斯机制(LM)和高斯机制(GM)产生的噪音矩阵为(yij)n×m.在两种机制下,图 3 所示分别计算矩阵round((yi j)165×500)、round((yij)165×1000)和round((yij)165×1500)模 3 余 0的噪音数量的百分比值R.可以观察到,模3余0的噪音数量百分比值随着隐私预算的增加而增加,而不随噪音数量的大小而发生变化.这个结果为解释隐私和基因数据效用的实验结果奠定了基础.随着隐私预算的增加,拉普拉斯机制与高斯机制相比,所有模3余0的噪音数量的百分比值明显更快地增加.当隐私预算ε=7时,拉普拉斯机制的R值将达到80%,而高斯机制的R值才达到40%.这是因为,在相同的隐私预算下,拉普拉斯分布与高斯分布相比,基于拉普拉斯机制的矩阵差分隐私产生的噪音矩阵中模3余0的元素更多.Fig.3 The percentage of noises matrix entries module 3 satisfying the residue to be 0 for matrix differential privacy图3 矩阵差分隐私下噪音矩阵模3余0的元素数量的百分比值4.3 隐私分析为了评估基因隐私保护模型的隐私,对于拥有全背景知识的攻击者,本文定义标准化期望估计误差作为隐私度量.因为元素xij在矩阵差分隐私下的随机扰动元素为sij,因此,定义基因数据的隐私度量为通过比较,我们来分析矩阵差分隐私与拉普拉斯机制、高斯机制的标准化期望估计误差.如图 4和图 5所示,矩阵差分隐私、拉普拉斯机制和高斯机制的标准化期望估计误差都随隐私预算的增大而减小.主要原因是,隐私预算越大,拉普拉斯分布和高斯分布的方差越小,矩阵差分隐私产生模3余0的噪音越多.因此拉普拉斯机制和高斯机制直接添加噪音到 SNP基因型数据会导致效用灾难,而矩阵差分隐私通过噪音模余运算提高了SNP基因型数据的效用,见第4.4节矩阵差分隐私的效用分析.由此,矩阵差分隐私实现了基因数据的隐私保护,不过,隐私保护强度显然低于拉普拉斯机制和高斯机制.另外,由图4和图5可知,随着隐私预算的增加,高斯机制的标准化期望误差较拉普拉斯机制要大,为了更好地权衡隐私和效用,可以选择拉普拉斯机制实现矩阵差分隐私.Fig.4 The normalized expected estimation error for matrix differential privacy图4 矩阵差分隐私下的标准化期望估计误差Fig.5 The normalized expected estimation error for Laplace mechanism and Gaussian mechanism图5 拉普拉斯机制和高斯机制下的标准化期望估计误差因此,根据SNP连锁不平衡下差分隐私的不可区分性,矩阵差分隐私实现了SNP基因型数据和SNP连锁不平衡的隐私保护.4.4 效用分析尽管矩阵差分隐私可以实现SNP基因型数据的隐私保护,考虑到SNP基因型数据。

67个X-SNP位点的分型检测和连锁不平衡检验

67个X-SNP位点的分型检测和连锁不平衡检验李莉;柳燕;林源;李成涛;张素华;邵伟波【期刊名称】《法医学杂志》【年(卷),期】2011(027)005【摘要】目的筛选一组在中国汉族人群中具有法医学应用前景的X-SNP位点.方法根据dbSNP和HapMap两个数据库提供的位点信息和频率数据从X染色体上筛选出67个候选X-SNP位点,采用多重PCR联合基质辅助激光解析电离飞行时间质谱技术检测中国汉族人群428名无关个体,获得67个候选X-SNP位点在中国汉族人群中的频率数据,通过遗传多态性分析和连锁不平衡检验按拟定标准进一步筛选获得具有法医学应用前景的X-SNP位点. 结果成功获得了67个候选X-SNP位点在中国汉族人群中的等位基因频率数据.Hardy-Weinberg平衡检验示仅有1个位点(rs 12849634)未达到遗传平衡；有2个位点(rs1229078、rs1544545)的最小等位基因频率低于0.3；有6对位点两两存在紧密连锁,有2对位点两两存在轻度连锁.最终确定52个相互独立的、在中国汉族人群中具有法医学应用前景的X-SNP,其在三联体和二联体亲权鉴定中的累积非父排除率分别为0.999 999 999 96和0.999 9995,在女性和男性群体中的累积个人识别率分别为0.999 999 999 999 999 999 999 84和0.999 999 999 999 999 31.结论本研究筛选出52个相互独立的X-SNP位点,能够满足当前法医遗传学鉴定应用要求,有利于解决特殊亲缘关系的鉴定难题.【总页数】5页(P337-341)【作者】李莉;柳燕;林源;李成涛;张素华;邵伟波【作者单位】司法部司法鉴定科学技术研究所上海市法医学重点实验室,上海200063;司法部司法鉴定科学技术研究所上海市法医学重点实验室,上海200063;司法部司法鉴定科学技术研究所上海市法医学重点实验室,上海200063;司法部司法鉴定科学技术研究所上海市法医学重点实验室,上海200063;司法部司法鉴定科学技术研究所上海市法医学重点实验室,上海200063;司法部司法鉴定科学技术研究所上海市法医学重点实验室,上海200063;苏州大学医学部法医学系,江苏苏州215123【正文语种】中文【中图分类】DF795.2【相关文献】1.TaqMan探针技术用于X-SNP位点的分型 [J], 张素华;李莉;李成涛;赵书民2.耐碳青霉烯肠杆菌科细菌碳青霉烯酶检测与\r多位点序列分型分析 [J], 温伟洪;梁英健;马芙蓉;李玉珍;徐令清3.乙型肝炎病毒基因分型与耐药突变基因位点的检测分析 [J], 姚玮;王久香;霍星星;周秋梅;黄开泉4.多位点序列分型法对梅毒螺旋体基因分型的检测 [J], 任卓; 张园; 赵伟; 李珍; 裴晓燕; 杨永华; 田洪青5.甘肃部分地区奶牛乳房炎金黄色葡萄球菌的细菌多位点序列分型与毒力检测 [J], 陈婷婷;达举云;申玉龙;门倩云;李宗帅;王媛媛;杨孝朴;张勇;赵兴绪因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于连锁不平衡的tagSNPs选择算法

一种基于连锁不平衡的tagSNPs选择算法王钧峰;王新赠【摘要】进行全基因组关联研究(genome-wide association studies,简记为GWAS)时,我们需要获得一个足够密集的单核苷酸多态性(single-nucleotide polymorphism,简记为SNP)标记集来解释常见疾病遗传风险的一部分.候选基因中SNP的数量是有限的,但是直接分析所有现存的SNPs是无效的,因为在这些位点上的基因型有很强的关联性,会导致大量的冗余信息,并且会造成基因分型成本的增加,消耗大量的时间.所以我们在进行关联检验时,没有必要对所有的SNPs进行基因分型,只需要选择出具有代表性,并且数量很少的SNPs进行分型,并对这些SNPs进行关联检验.这里选择出的SNPs称为标签SNPs(记为tagSNPs),它为SNPs的一个小的子集,在每个单体型区域中足以捕获单体型的信息.选择tagSNPs的方法有很多,本文我们提出了一种新的tagSNPs选择方法,通过使用基于连锁不平衡(linkage disequilibrium,简记为LD)的两两r2准则对单体型分组,分成不相交的组,并在每个组中选择标签SNPs.与基于原始SNPs集的检验方法比较,我们的方法产生了更少的tagSNPs,在最大化所选标记提供信息含量的同时,降低了基因分型成本,提高了效率.【期刊名称】《泰山学院学报》【年(卷),期】2016(038)003【总页数】6页(P49-54)【关键词】全基因关联研究;SNP;标签SNP;连锁不平衡【作者】王钧峰;王新赠【作者单位】山东科技大学数学与系统科学学院,山东青岛266590;山东科技大学数学与系统科学学院,山东青岛266590【正文语种】中文【中图分类】Q811.4在人类基因组中，由于SNP高的丰富性，低突变率，易于高通量基因分型［1］，所以SNP在疾病关联研究中起到了很重要的作用.TagSNPs的选择已经成为一个非常活跃的研究课题.如果能在SNP数据集中选择出tagSNP集，就可以减少用于关联检验所使用的SNP的数量，这样也就降低了基因分型的成本和计算的时间复杂度.目前已经被提出的tagSNP选择方法主要有两种，分别是基于单体块结构的识别方法［2－5］和基于LD的识别方法［6－8］.很多算法也已经被提出来检测单体型块和标记的选择.Patil［9］等定义一个单体型块，单体型块是一个区域，在其中所有观察的a%的单体型是常见单体型，常见单体型是单体型频率大于某一阈值的单体型，通过这个方法选择所有可能的单体型块，然后通过一个贪婪优化算法选择出连续没有重叠的单体型块和tagSNPs.Johnson［2］等是基于连锁不平衡计算两两SNPs间的连锁不平衡程度，如果连锁不平衡程度大于某个阈值，那么其中一个就可以作为tagSNP.Zhang［3］等使用一个动态编程方法来进行单体型块的划分和tagSNP的选择.Cardon［10］的策略是选择一个具有代表性的SNPs集，不考虑剩余SNPs，目的是保留大多数原始集信息的同时，所选择的SNPs没有信息的重叠.Carlson［8］利用贪婪算法识别tagSNP，从所有超过某阈值的SNPs开始，与最大数量SNPs之间的连锁不平衡程度都大于某个阈值的SNP作为tagSNP.Zhang［5］等人，介绍基于LD的方法，这些方法搜索一个小的SNP集，并与其他不被选择的SNPs有强的连锁不平衡.Stram［11］等给出了一种统计方法，在其中多个tagSNPs可以被用来代表每个没有被标记的SNP.在应用我们提出的方法选择tagSNPs之后，我们要验证所选择的tagSNPs是否可以验证与疾病的关联性，所以我们要进行假设检验.研究者已经提出了很多检验方法.CAST［12］是对于每个个体把在一个区域内(例如，一个基因的外显子)所有罕见变体信息重叠成一个二分变量，通过判断个体是否有任何罕见变体在这区域内，然后运用一个单变量检验［13］.CMC［14］扩展了CAST方法，通过在一个等位基因频率的基础上，把罕见变体重叠在分组的区域内，重叠所分的组就如CAST方法一样，并对所分的组用一个多元检验.加权和检验(WST)［15］考虑一组病例对照，把一个SNP集重叠成一个罕见等位基因数量的单一的加权平均.Wu［16］提出了一种基于逻辑核机器的逻辑核检验方法(sequence kernel association test，简记为SKAT)，SKAT假定标记的回归系数的一个分布，其方差取决于灵活的权重.SKAT执行一个基于得分的方差分量检验，它的计算只需要拟合空模型通过单独在协变量上回归表型和解析计算P值.SKAT能够直接获得一个P值而不需要排列求P值.SKAT的一个重要特性是它允许结合灵活的加权函数来提高分析功效.所以在进行假设检验时，我们使用高效灵活的SKAT.2.1 tagSNP的选择考虑包含P个双等位基因SNP标记a1，a2，…，αp的一个集.进一步假设所有这些标记次要等位基因频率(MAF)超过一个特定的阈值(在这使用0.05).首先，计算两两LD测量r2［17］.如果两个标记ai和aj间的r2大于一个特定的阈值r0，那么就说它们两个有强的LD，表示为r2(ai，aj)≥r0(在这个研究中r0=0.8)，两个都可以被考虑作为对方的tagSNPs，在其中ai可以用来作为aj的一个替代，反之亦然.我们的目的是找到一个tagSNP集，对于基因分型，我们开发了一种算法来识别tagSNPs子集，从超过一个给定MAF阈值的所有SNPs中选择.从超过MAF阈值的所有SNPs开始，对我们所选择的基因区域进行分组，分成几个SNP子集，SNP集中任意两个SNPs同属于一个组当且仅当这两个SNPs之间的r2大于等于给定的阈值，也就是说同一个组中的SNPs至少与同组中的一个SNP连锁不平衡，分组的过程是迭代的，每一次循环分析所有未被分组的SNPs，直到所有的SNPs被分组，这样，就分成了几个组，但是会出现这样一种特殊情况，有的SNPs和任何SNPs都不连锁不平衡，那么我们就把这样的单个SNP单独作为一个组.这样，组中一个SNP被指定为“tagSNPs”，每个组只有一个tagSNP将会需要被基因分型.下面，我们就在每个组中选择一个tagSNP，再把每个组中选择的tagSNP组成总的tagSNP集，然后进行假设检验.选择tagSNP的方法具体如下，在一个已经分好的组中进行选择，我们首先计算出组中最大r2值的两个SNPs，然后再从这两个SNPs中选择其中一个作为tagSNP，分别计算这两个SNPs与其他除去二者本身的组内剩余SNPs的r2值的和，哪个值大，我们就选择哪一个来作为tagSNP，如果相等那么我们就任选其中一个来作为tagSNP，我们选择的研究对象没有出现这种情况.2.2 r2的计算给出m个个体，m/2个病例和m/2个对照，所有P个位点上的单体型Zij∈{0，1}，i=1，2，…，2m，j =1，2，…，P.计算生物学中描述SNP间相关关系的连锁不平衡系数［18］r2:其中和Si是Z·i的均值和方差，r0是阈值，在［0，1］内取值，本文在大量实验基础上确定r0=0.8.2.3 SKAT现有n个独立个体，对于给定的含s个SNPs的SNP集，设Zi1，Zi2，…，Zis，是第i个个体在这s个SNPs上的基因型值，i=1，2，…，n.显然，Zij∈{0，1，2}.第i个个体的定性性状用yi表示，若个体i患病，则yi=1，否则yi=0.下式(1)给出了个体定性性状和基因型值间的半参数模型其中a0是截距，xi1，xi2，…，xim，是受环境或人口统计学影响的m维协变量，a1，…，am是对应于环境和人口变量的回归系数，这s个SNPs的基因型值Zi1，…，Zis通过函数h(·)影响yi，这一函数由半正定的核函数K(·，·)来定义，且h(·)决定了SNP集中SNP的基因型值与疾病风险的关系.如果γ1，γ2，…，γn取值适当，模型(1)中h(zi1，zi2，…，zis)等价于.我们应用线性核函数等人研究指出h(·)的均值为0，方差为τK.于是，我们可以通过检验τ= 0来检验零假设h(z)=0.Zhang和Lin［20］提出利用方差分量得分方法来检验，他们用到统计量其中logit0i=0+1xi1+2xi2+…+mxim，不包括h，所以可以在零假设下估计0和j.因为Q服从含参数k和自由度为v的卡方分布［21］，所以易得P值.本文使用SKAT检验方法，分别对基于原始SNP集和基于标签SNP集进行检验.基于原始SNP集的检验用SKAT表示，基于标签SNP集的检验用SKAT－tag表示.然后比较二者的P值和功效.3.1 仿真数据为了计算对两种SNP集检验的P值和功效，我们进行了大量的仿真实验，本文的仿真数据均由HAPGEN2［22］产生，并且事先假定所有原因SNPs都会增加致病风险.第13号染色体携带许多与乳腺癌有关的基因，我们选择其中的MTRF1基因，它包含62个HapMap［23］SNPs.这62个SNPs中的10个SNPs已经由Illumina HumanHap 500 array给出了确定的基因型.我们使用HapMap上的CEU样本，用HAPGEN2基于CEU样本的连锁不平衡结构产生仿真数据.我们使用HAPGEN2在不同的参数下产生MTRF1基因上62个SNPs的1000组仿真数据，每组包含500个病例和500个对照.我们从这100组中随机选择1组并从该组中随机选取50个病例和50个对照的200条单体型数据上，在这200条单体型数据上运用我们的方法选取tagSNPs，之后所有的仿真实验和假设检验都以现在选取的SNPs作为tagSNPs.3.2 P值计算我们使用来自HapMap计划中174个CEU种族个体的真实单体型数据，分别对tagSNPs集和原始SNPs集进行关联检验，我们在显著水平a=0.05下使用SKAT 检验方法，求其P值，见表1.使用原始SNPs集，求得的P值为0.037，远小于0.05，所以使用原始集在统计学上显著关联.使用我们方法选择的tagSNPs集，所求的P值为0.048，也小于0.05，所以我们的方法选择的SNPs集在统计学上微弱显著关联，因为我们的方法选择了少数的SNPs，所以丢失很多信息，我们的方法微弱显著性关联，说明我们选择的tagSNPs具有代表性，也说明我们方法选择的tagSNPs可以用来进行疾病关联检验.虽然我们的方法不如使用原始集关联显著，但是我们方法计算速度明显高于基于原始集的方法.3.3 第I类错误率估计利用HAPGEN2产生空模型下的1000组仿真数据来估计第I类错误率，每组方针数据包含500个病例和500个对照.如表2得到的第I类错误率，显著水平为a=0.05.SKAT方法和SKAT－tag方法的第I类错误率分别为0.049和0.042.说明SKAT检验方法都能很好地控制第I类错误率.3.4 功效估计我们将基因MTRF1上由Illumina HumanHap 500 array给出的10个已确定基因型的SNPs每个轮流作为致病SNP，并有HAPGEN2进行仿真，10个已确定基因型的SNPs每个轮流一次就仿真1000组，总共为10000组，我们假定杂合子致病风险为1.25，纯合子致病风险为1.5.表3给出了MTRF1基因上已确定基因型的SNPs.我们将表3给出的10个SNPs中每个SNPs轮流作为致病SNP，每一个SNPs作为致病SNPs，分别使用SKAT和SKAT－tag求一次功效，显著水平a=0.05，然后比较两种方法，10个SNPs各轮流作为致病SNPs的功效，如图1所示.在本文中我们提出了一种tagSNPs的选择方法，降低了基因分型的成本和计算的时间复杂度.与原始SNPs集相比，我们不需要对所有的SNPs进行基因型的测定，也不需要对所有SNPs进行关联检验，而只需要对我们选择的tagSNPs进行基因分型和关联检验.通过我们的方法对MTRF1基因上62个SNPs进行tagSNPs的选择，最终我们选择了rs666930，rs586650，rs550174，rs483180，rs616111，rs6668589，rs523395，rs2246410，rs512854这11个tagSNPs，数量大约为原始SNPs集的1/6，基因分型的成本也就降低了5/6，P值的计算时间也会减少.因为我们首先在一小部分数据中选择tagSNPs，所以总的来说，使用tagSNPs进行关联检验的时间复杂度比使用原始SNPs集进行关联检验的时间复杂度要小.通过使用来自HapMap的174个CEU种族个体数据，我们对两种SNPs集使用SKAT检验方法求得P值，如表1所示，基于tagSNPs集检验的P值小于基于原始SNPs集检验的P值.但是二者的P值都小于显著性水平，也就两种SNPs集对疾病都显著性关联，所以我们的方法求得的tagSNPs可以用来进行疾病关联检验.从表2可以看出，SKAT对第I类错误率都是可控的.图1表明基于原始SNPs集检验的功效与基于tagSNPs集检验的功效在大部分情况下相差不大.但在某些情况下，基于tagSNPs集检验的功效小于基于原始SNPs集检验的功效.还有使用tagSNPs集得到P值小于使用原始SNPs集得到的P值，很大程度上是因为关联检验时没有包含所有SNPs，所以造成了信息的大量丢失.某些情况我们方法功效大于原始SNPs集方法，可能因为SNPs数量的减少，造成了自由度的降低.总的来说，我们的方法计算复杂度低，基因分型成本低，是可以用来进行疾病关联检验.【相关文献】［1］Collins F.S，et al.Variations on a theme:cataloging human DNA sequence variation ［J］.Science，1997(278):1580－1581.［2］G.C.Johnson，L.Esposito，B.J.Barratt，et al.Haplotype tagging for the identification of common disease genes［J］.Nature Genetics，2001(2):233－237.［3］K.Zhang，M.Deng，T.Chen，M.S.Waterman，F.Sun.A dynamic programming algorithm for haplotype block partitioning［J］.Proceedings of the National Academy of Sciences of the United States of America，2002(11):7335－7339.［4］E.C.Anderson，J.Novembre.Finding haplotype block boundaries by using the minimum－description－length principle［J］.American Journal of Human Genetics，2003(2):336－354.［5］K.Zhang，P.Calabrese，M.Nordborg，F.Sun.Haplotype block structure and its applications to association studies:power and study designs［J］.American Journal of Human Genetics，2002(6):1386－1394.［6］Weale M.E.，et al.Selection and evaluation of tagging SNPs in the neuronal－sodiumchannel gene SCN1A:implications for linkagedisequilibrium gene mapping ［J］.Am.J.Hum.Genet，2003(73):551－565.［7］Ke X.，Cardon L.R.Efficient selective screening of haplotype tag SNPs［J］.Bioinformatics，2003(19):287－288.［8］Carlson C.S.，et al.Selecting a maximally informative set of single－nucleotide polymorphisms for association analyses using linkage disequilibrium［J］.Am.J.Hum.Genet，2004(74):106－120.［9］N.Patil，A.J.Berno，D.A.Hinds，et al.Blocks of limited haplotype diversity revealed by high－resolution scanning of human chromosome 21［J］.Science，2001(5547):1719－1723.［10］Cardon L.R.，Abecasis，ing haplotype blocks to map human complex trait loci［J］.Trends Genet.，2003(19):135－140.［11］Stram D.O.，et al.Choosing haplotype－tagging SNPs based on unphased genotype data using preliminary sample of unrelated subjects with an example from the multiethic cohort study［J］.Hum.Hered.，2003(55):27－36.［12］Morgenthaler S.，Thilly W.G.A strategy to discover genes that carry multi－allelic or mono－allelic risk for common diseases:a cohort allelic sums test(CAST)［J］.Mutat.Res，2007(615):28－56.［13］Morris A.P.，Zeggini E.An evaluation of statistical approaches to rare variant analysis in genetic association studies［J］.Genet.Epidemiol，2010(34):188－193.［14］Li B.，Leal S.M.Methods for detecting associations with rare variants for common diseases:application to analysis of sequence data［J］.Am.J.Hum.Genet，2008(83):311－321.［15］Madsen B.E.，Browning S.R.A groupwise association test for rare mutations using a weighted sum statistic［J］.PLoS Genet，2009(5): e1000384.［16］Wu M C，Kraft P，Epstein M P，et al.Powerful SNP－set analysis for case－control genome－wide association studies［J］.The Ameri-can Journal of Human Genetics，2010，86(6):929－942.［17］Devlin B，Risch N.A comparison of linkage disequilibrium measures for fine－scale mapping［J］.Genomics，1995(29):311－322.［18］Hill W G，Robertson A.Linkage disequilibrium in finite populations［J］.Theoretical and Applied Genetics，1968，38(6):226－231.［19］Liu D，Ghosh D，Lin X.Estimation and testing for the effect of a genetic pathwayon a disease outcome using logistic kernel machine regression via logistic mixed models ［J］.BMC bioinformatics，2008，9(1):1－11.［20］Zhang D，Lin X.Hypothesis testing in semiparametric additive mixed models ［J］.Biostatistics，2003，4(1):57－74.［21］Lin X，Cai T，Wu M C，et al.Kernel machine SNP‐set analysis for censored survival outcomes in genome‐wide association studies［J］.Genetic epidemiology，2011，35(7):620－631.［22］Su Z，Marchini J，Donnelly P.HAPGEN2:simulation of multiple disease SNPs ［J］.Bioinformatics，2011，27(16):2304－2305.［23］The International HapMap Consortium.The International HapMap Project［J］.Nature，2003(426):789－796.。