1. Fst及计算方法 目录
Fst是什么？
Fst：群体间遗传分化指数，是种群分化和遗传距离的一种衡量方法，分化指数越大，差异越大。适用于亚群体间多样性的比较。
用于衡量种群分化程度，取值从0到1，为0则认为两个种群间是随机交配的，基因型完全相似；为1则表示是完全隔离的，完全不相似。它往往从基因的多样性来估计，比如SNP或者microsatellites(串联重复序列一种，长度小于等于10bp)。是一种以哈温平衡为前提的种群遗传学统计方法。
Fst的计算公式如下：
Hs：亚群体中的平均杂合度 Ht：复合群体中的平均杂合度
在遗传学中，F一词通常代表“近亲繁殖”，它倾向于减少群体中的遗传变异。遗传变异可以用杂合度来衡量，所以F一般表示群体中杂合性的减少。 FST是与它们所属的总群体相比，亚群体中杂合性的减少量。
如何计算Fst？
以一个例子进行说明：
基因SLC24A5是黑色素表达途径的关键部分，其导致皮肤和毛发色素沉着。与欧洲较轻的皮肤色素密切相关的SNP是rs1426654。 SNP有两个等位基因A和G，其中G与轻度皮肤相关，在犹他州的欧裔美国人中，频率为100％。
美洲印第安人与美国印第安人混血儿的SNP在频率上有所不同。
- 墨西哥的样本有38％A和62％G;
- 在波多黎各，频率分别为59％A和41％G；
- 查尔斯顿的非裔美国人样本中有19％A和81％G；
这个例子中的FST是什么？
Fst值的计算可以使用VCFtools实现
# 对每一个SNP变异位点进行计算
vcftools --vcf test.vcf --weir-fst-pop 1_population.txt --weir-fst-pop 2_population.txt --out p_1_2—single
# 按照区域来计算
vcftools --vcf test.vcf --weir-fst-pop 1_population.txt --weir-fst-pop 2_population.txt --out p_1_2_bin --fst-window-size 500000 --fst-window-step 50000
参数说明：
--vcf：SNP calling 过滤后生成的vcf 文件；--weir-fst-pop：群体组成文件，包含同一个群体中所有个体，一般每行一个个体。个体名字要和vcf的名字对应；--out：生成结果的prefix；--fst-window-size与--fst-window-step：在按照区域计算Fst时，指定计算窗口和步长
对每个SNP位点计算Fst的散点分布图
对每个区块计算Fst的散点分布图
2. 连锁不平衡：Linkage Disequilibrium 目录
2.1. 什么是连锁不平衡 目录
连锁不平衡：指的是在某一群体中，两个基因同时遗传的频率大于随机组合的频率
举个例子：
基因A的两个allel 分别用A和a 表示，基因B的allel分别用B和b表示，如果这这两个基因完全独立遗传，也就是说其allel 完全随机组合，那么后代中会出现4种单倍型，AB， Ab, aB， ab, 而且出现的概率都是相同的，都是0.25；如果这两个基因在遗传时不是独立的，意味着后代中单倍型出现的概率不是完全随机的了，我们就可以说两个基因是存在连锁关系的，基因在遗传时出现连锁的现象就叫做连锁不平衡。
那么，如何定量描述连锁不平衡？
2.2. 定量连锁不平衡 目录
-
用D值衡量：
D = P(AB) - P(A) X P(B)
独立遗传时，单倍型AB出现的概率为 P(A) X P(B), 这个概率我们暂且称之为理论概率；当出现了连锁不平衡时，单倍型AB出现的概率用P(AB)表示，我们暂且称之为实际概率；这两个概率之间的差，就反应了连锁不平衡的程度
D值不等于0，就可以说两个基因之间是连锁不平衡的，D绝对值大小直接反应了两个基因之间的连锁程度的大小，绝对值越大，连锁程度越大
不足：其严格依赖于等位基因频率（allele frequency），故不适合应用于表述实际的LD强度，尤其是进行不同研究的LD值的相互比较
-
用
D'衡量：D’ = D / Dmax
Dmax 的计算方式如下：
D'值可以看做是归一化之后的D值，归一化之的值可以用于比较不同基因连锁程度的大小。D’的取值范围为0到1，
D’ = 0表示完全连锁平衡，独立遗传；D’ = 1表示完全连锁不平衡 -
用r衡量：
通常情况下，会通过r值的平方来表征连锁不平衡程度，r平方等于0时，表示完全连锁平衡，独立遗传；r平方等于1时, 表示完全连锁不平衡
在实际分析中，我们通常会拿到样本的基因分型文件，通过这个文件我们可以非常容易的计算出allel的频率，但是对于单倍型的频率是不能直接计算得到的，都是借助算法估算出单倍型的概率，然后进行计算
即，我们一般能拿到的是VCF格式的基因分型文件，得到的只能是一个个离散的位点，而无法得到单体型结果，此时只能进行allele频率的计算，也就无法计算单体型的频率，但是可以通过单体型分型(phasing)获得推断出来的单体型从而来估计单体型频率
2.2.1. r2 和D'的比较 目录
r2和D'反映了LD的不同方面。r2包括了重组和突变，而D'只包括重组史
D'能更准确地估测重组差异，但样本较小时，低频率等位基因组合可能无法观测到，导致LD强度被高估，所以D'不适合小样本群体研究；
LD衰减作图中通常采用r2来表示群体的LD水平；Haplotype Block中通常采用D'来定义Block；
2.3. 可视化连锁不平衡 目录
理论上来说任意两个基因之间都可能存在连锁不平衡，但是实际操作中，认为只有一定区间范围内的基因会存在连锁不平衡，距离大于区间的基因，两者出现连锁不平衡的概率非常小，所以就不去计算。
2.3.1. 热图可视化haplotype block 目录
对于连锁不平衡的结果，通常采用heatmap热图的形式进行展示，haploview 给出的LD heatmap 示例如下：
颜色从白色到红色，代表连锁程度从低到高，方框中的数值为r2，为了美观，这里将 r2 乘以了100
haplotype block，即单体型块，即连锁不平衡区域，是指同一条染色体上处于连锁不平衡状态的一段连续的区域。单体型块分析可以用于筛选tag SNP、确定候选基因的范围等
Nature Genetics 48, 927–934 (2016) doi:10.1038/ng.3596
Plant Biotechnol J. 2017 Mar 29. doi: 10.1111/pbi.12734
2.3.2. LD衰减曲线 目录
横坐标为基因之间的距离，纵坐标为衡量连锁不平衡的R2值。从图中可以看出连锁不平衡的规律，在一定距离内存在连锁不平衡程度较高，大于一定距离后，出现连锁不平衡的概率就大大降低了。这就是为什么在实际操作中只计算一定范围内的连锁不平衡的原因。
通常会使用1个标准——**“LD衰减距离”**来描述LD衰减速度的快慢。
Nature Biotechnology 30, 105–111 (2012) doi:10.1038/nbt.2050
LD衰减距离：当平均LD系数r2 衰减到一定大小的时候，对应的物理距离。“一定大小”是这个定义的关键点，但没有特别统一的标准，在不同文章中标准不同。常见的标准包括：
a）LD系数降低到最大值的一半；
b）LD系数降低到0.5以下；
c）LD系数降低到0.1以下；
d）LD系数降低到基线水平（注意，不同物种的基线值是不同的）;
下次你在文章中看到“LDdecay distance is XXkb”的时候，不要忘了看看文章使用的标准是什么
参考资料：
(1) 【简书】Fst的计算原理与实战