30、遗传变异编码与群体遗传参数推断

遗传变异编码与群体遗传参数推断

1. 遗传变异的PRG构建与搜索算法

在遗传研究中，构建有效的数据结构来表示和处理遗传变异至关重要。这里我们介绍一种基于PRG（Population Reference Graph）的数据结构构建方法，以及与之相关的搜索算法。

1.1 PRG数据结构构建步骤

构建PRG数据结构需要多个步骤：
1. 识别共享序列区域 ：确定输入基因组之间共享序列的对应区域，这些区域的大小至少为预定义的k，作为锚点。
2. 确定等位基因/单倍型集合 ：对于两个锚点区域之间的任何位点，确定可能的等位基因/单倍型集合，但不需要进行比对。不同长度的单倍型支持插入和缺失。
3. 分配变异标记 ：为每个变异位点分配两个唯一的数字标识符，一个偶数和一个奇数，分别称为变异标记。奇数标识符标记变异位点边界，有时称为位点标记；偶数标识符标记替代等位基因边界，有时称为等位基因边界标记。
4. 构建线性PRG ：对于每个变异位点，将其左锚点添加到线性PRG中，然后添加其奇数标识符。接着，从该位点开始的每个序列（从参考序列开始）依次添加到线性PRG中，后面跟着偶数位点标识符，但最后一个序列后面跟着奇数标识符。
5. 转换为整数字母表 ：将线性PRG转换为整数字母表（A → 1, C → 2, G → 3, T → 4，变异位点标识符 → 5, 6, …）。
6. 构建FM - 索引 ：构建线性PRG的FM