टास्क नंबर 2। जनसंख्या संरचना का निर्धारण

हम कार्य चक्र को जारी रखते हैं, जहां हम आनुवंशिक डेटा के साथ काम करने के तरीके के बारे में बात करते हैं। पहला कार्य "लिंग और रिश्ते की डिग्री का पता लगाएं" पहले से ही हल किया जा सकता है और हमें जवाब भेज सकता है। आज हम दूसरा प्रकाशित करते हैं।

मुख्य पुरस्कार पूर्ण जीनोम है ।



हमने पहले उपयोगी जानकारी और लिंक साझा किए जो जैव सूचना विज्ञान डेटा के साथ काम करने के लिए उपयोगी हो सकते हैं। हम अनुशंसा करते हैं कि आप पिछले लेखों को पहले पढ़ लें यदि आप उन्हें याद करते हैं:
पूर्ण जीनोम क्या है और इसकी आवश्यकता क्यों है
टास्क नंबर 1। लिंग और रिश्ते की डिग्री का पता लगाएं।

त्याग

आनुवंशिक डेटा के साथ काम यूनिक्स सिस्टम (लिनक्स, मैकओएस) पर किया जाता है, क्योंकि कुछ कमांड और सॉफ्टवेयर विंडोज पर उपलब्ध नहीं हैं। इसलिए, विंडोज उपयोगकर्ताओं के लिए, सबसे सरल समाधानों में से एक लिनक्स वर्चुअल मशीन किराए पर लेना है।

नीचे वर्णित सभी ऑपरेशन कमांड लाइन - टर्मिनल पर किए जाते हैं। शुरू करने से पहले, अपने ओएस को चलाने वाले टर्मिनल में काम करना सीखें और कमांड का उपयोग करें, क्योंकि उनमें से कुछ ओएस और आपके डेटा को संभावित रूप से नुकसान पहुंचा सकते हैं।

आवश्यक सॉफ्टवेयर

हमने Yandex.Cloud पर सभी आवश्यक सॉफ़्टवेयरों के साथ एक वर्चुअल मशीन (VM) की छवि एकत्र की है। VM को स्थापित करने और सॉफ़्टवेयर स्थापित करने के निर्देश टास्क नंबर 1 के साथ पिछले लेख में पाए जा सकते हैं।

इस बार, आपको मुख्य घटकों के विश्लेषण की विधि द्वारा प्राप्त आंकड़ों का उपयोग करके दो-आयामी स्कैटर प्लॉट बनाने की आवश्यकता होगी। हम आपके लिए सुविधाजनक किसी भी सॉफ्टवेयर का उपयोग करके इस आरेख का निर्माण करने का सुझाव देते हैं: एक्सेल, गूगल शीट्स, पायथन, आर और अन्य।

कार्य को पूरा करने के लिए, आपको प्लिंक 1.9 सॉफ्टवेयर पैकेज की आवश्यकता है। यदि आपने इसे अभी तक स्थापित नहीं किया है (और टास्क नंबर 1 पूरा नहीं किया है), तो पिछले लेख को पढ़ें। इसमें इंस्टॉलेशन निर्देश हैं। नए साल की प्रतियोगिता 2019 में भाग लेने के लिए, सभी कार्यों को पूरा करना होगा!

ध्यान दें

प्रिंसिपल कंपोनेंट एनालिसिस (पीसीए) शिक्षक-कम मशीन लर्निंग एल्गोरिदम में से एक है जब एक मशीन डेटा में स्वतंत्र रूप से पैटर्न खोजती है। आनुवंशिकी में, पीसीए एक एन-डायमेंशनल स्पेस (आमतौर पर दो-आयामी) में जीनोटाइपिंग डेटा के अनुसार नमूनों की क्लस्टरिंग की अनुमति देता है, जहां मुख्य घटक प्राप्त किए गए नमूने से आनुवंशिक डेटा की परिवर्तनशीलता की सटीक व्याख्या करते हैं।

इस तरह के विश्लेषण का संचालन करते समय, एक आबादी के नमूने आमतौर पर एक क्लस्टर बनाते हैं, सीमाओं का आकार और चिकनाई जो किसी दिए गए जनसंख्या के भीतर नमूनों की समानता पर निर्भर करते हैं। एल्गोरिथ्म अलग-अलग समूहों में अलग-अलग आबादी से नमूनों की पहचान करने की संभावना है। और करीब आबादी से नमूने जो एक ही सुपरपॉपुलेशन से संबंधित हैं, उदाहरण के लिए, ईएएस - पूर्वी एशियाई, जैसा कि चित्र 1 में है, एक दूसरे के करीब या यहां तक ​​कि क्लस्टेक्टिंग क्लस्टर्स में पहचाना जाएगा।


चित्र 1 वीसीएफ में इस्तेमाल किए गए नमूनों की वंशावली (वर्ग पुरुष लिंग से मेल खाती है, महिला को चक्र)। धराशायी लाइन एक अनिर्धारित दूसरे क्रम के रिश्ते से मेल खाती है।

जीनोटाइपिंग द्वारा जनसंख्या का निर्धारण करने के लिए एक समान विश्लेषण का उपयोग किया जाता है। इसके लिए, एक संदर्भ डेटासेट की आवश्यकता होती है, जिसमें पहले से ज्ञात मूल के साथ नमूने होते हैं। आबादी के बारे में निष्कर्ष यह ज्ञात किया जा सकता है कि ज्ञात नमूनों का कौन सा समूह अध्ययन किए गए आंकड़ों के सबसे करीब है।

सरल बनाने के लिए, पीसीए विश्लेषण का सार यह है कि बहुआयामी अंतरिक्ष में बिंदुओं के बीच युग्मित दूरियों को जाना जाता है, और इन बिंदुओं को छोटे आयाम के स्थान में स्थित होना चाहिए ताकि नई जोड़ीदार दूरी मूल लोगों से न्यूनतम रूप से भिन्न हो। आयाम में कमी डेटा विश्लेषण को सरल करती है, लेकिन जितना अधिक हम इसे कम करते हैं, अंक के बीच की नई दूरी मूल से अलग होती है। इसलिए, पीसीए विश्लेषण के कार्य में सटीकता और विश्लेषण में आसानी के बीच समझौता करना भी शामिल है। जीवन में सब कुछ वैसा ही है।

जेनेटिक डेटा पर पीसीए निष्पादन का सबसे सरल संस्करण कुछ एलील की पहचान पर आधारित है, जिसे दो उपप्रकारों में विभाजित किया जा सकता है: आईबीएस (राज्य द्वारा पहचान) और आईबीडी (डिसेंट द्वारा पहचान)। IBS का अर्थ है दो लोगों में कुछ एलील की पहचान, लेकिन जरूरी नहीं कि उन दोनों के बीच किसी भी रिश्ते के तथ्य का अर्थ है। आईबीडी, इसके विपरीत, एक सामान्य पूर्वज की उपस्थिति के कारण एलील्स की पहचान की बात करता है और, तदनुसार, रिश्तेदारी।

आईबीडी एलीबल्स आईबीएस के एलील हैं, जबकि कांसेप्ट सही नहीं है। हालांकि, यह ध्यान में रखना होगा कि किसी समय हम एक सामान्य पूर्वज से आए थे, इसलिए कुछ एलील आईबीडी हो सकते हैं। नीचे दिए गए पीसीए विश्लेषण में, केवल IBS अवधारणा का उपयोग किया जाता है, हालांकि अधिक जटिल विश्लेषणों में यह सांख्यिकीय महत्व, फेनोटाइपिक सीमाओं, क्लस्टर आकार, आयु और व्यक्ति के लिंग के परीक्षण के साथ-साथ जनसंख्या संरचना के बारे में अतिरिक्त जानकारी भी लेता है।

दो नमूनों में अलग-अलग एलील की संख्या जितनी बड़ी होगी, वे उतने ही कम और अलग होंगे। ऐसे नमूनों के लिए IBS का मूल्य कम होगा। लेकिन माता-पिता और उनके बच्चों के लिए, IBS बहुत अधिक होगा।

डेटासेट में प्रत्येक जोड़ी के लिए IBS मानों को जानने के बाद, आप यह देखने के लिए एक PCA विश्लेषण कर सकते हैं कि वे कैसे संकुल हैं।

एटलस आनुवंशिक परीक्षण जीनोटाइपिंग डेटा में जनसंख्या प्रतिनिधित्व का निर्धारण करने के लिए अधिक परिष्कृत एल्गोरिदम का उपयोग करता है।

डेटा का इस्तेमाल किया

हम आपको याद दिलाते हैं कि मैनुअल 1000 जीनोम परियोजना से विशेष रूप से चयनित खुले डेटा का उपयोग करता है। विश्लेषण के लिए, ~ 85 मिलियन विविधताओं के जीनोटाइप की जानकारी के साथ 10 नमूनों का चयन किया गया था, जो जीआरसीएच 37 जीनोम के संस्करण के साथ गठबंधन किए गए एनजीएस डेटा का विश्लेषण करके प्राप्त किए गए थे। इन नमूनों के पारिवारिक संबंध और आबादी चित्र 1 में दिखाए गए हैं।

आबादी के क्लस्टर का निर्माण

टास्क नंबर 1 में पहले प्राप्त प्लंक प्रारूप में तीन फाइलों का उपयोग करें:

CEI.1kg.2019.demo.subset.bed CEI.1kg.2019.demo.subset.bim CEI.1kg.2019.demo.subset.fam 

प्रशिक्षण डेटासेट में सभी 10 नमूनों के बीच जोड़ीदार दूरी निर्धारित करें और IBS (राज्य द्वारा पहचान) के आधार पर एक पीसीए आकर्षित करें। इसे निम्नानुसार किया जा सकता है:

 #     plink --bfile CEI.1kg.2019.demo.subset --genome --out CEI.1kg.2019.demo.subset.similarities plink --bfile CEI.1kg.2019.demo.subset --read-genome CEI.1kg.2019.demo.subset.similarities.genome --cluster --mds-plot 10 --out CEI.1kg.2019.demo.subset.clustering 

डेटासेट में सभी नमूनों के बीच IBS / IBD की —genome गणना के लिए —genome पैरामीटर सिर्फ जिम्मेदार है। पैरामीटर " —read-genome " पहले प्राप्त की गई जोड़ीदार दूरी मैट्रिक्स है, और पैरामीटर " —cluster —mds-plot 10 पीसीए विश्लेषण के लिए जिम्मेदार हैं और इसके परिणामों का आउटपुट 10 पहले मुख्य घटकों की तालिका में है। वास्तव में, ये 10-आयामी अंतरिक्ष में प्रत्येक नमूने के निर्देशांक हैं।

अंतिम कमांड फ़ोल्डर में 4 फाइलें बनाएगी:

 CEI.1kg.2019.demo.subset.clustering.cluster1 CEI.1kg.2019.demo.subset.clustering.cluster2 CEI.1kg.2019.demo.subset.clustering.cluster3 CEI.1kg.2019.demo.subset.clustering.mds 

हमें सूची से अंतिम दो फ़ाइलों की आवश्यकता होगी।

चित्र 2 दिखाता है कि एमडीएस प्रशिक्षण डेटासेट पर प्राप्त फ़ाइल कैसी दिखती है। एफआईडी (फैमिली आईडी) और आईआईडी (इंडिविजुअल आईडी) फ़ील्ड परिवार और व्यक्तिगत नमूना पहचानकर्ताओं के अनुरूप हैं। फ़ील्ड C1 - C10 में प्रत्येक नमूने के लिए दस मुख्य घटकों में से प्रत्येक के मान शामिल हैं, जहां घटक C1 अधिकतम विश्लेषण किए गए नमूनों के आनुवंशिक डेटा की परिवर्तनशीलता, और C10 को न्यूनतम रूप से बताता है।


चित्र 2 प्रत्येक नमूने के लिए 10 मुख्य घटकों के मूल्यों के साथ एमडीएस फ़ाइल।

दो घटकों (दो-आयामी अंतरिक्ष में) का उपयोग करके एक तितर बितर आरेख का निर्माण करते समय, कोई नमूना की आबादी के अनुरूप समूहों का पता लगा सकता है। चित्रा 3 प्रमुख घटकों C1xC2, C2xC3 और C1xC3 के जोड़े के लिए तितर बितर भूखंड दिखाता है। संदर्भ जनसंख्या संबद्धता (चित्रा 1) के साथ प्राप्त समूहों की तुलना करते समय, पहले दो घटकों C1 - C2 की जोड़ी उच्चतम सटीकता (100%) दिखाती है, 1000 सेंटीमीटर परियोजना में घोषित उनकी जनसंख्या संबद्धता के अनुसार सभी नमूनों को सही ढंग से अलग करती है। हालांकि, वास्तविक समूहों के संभावित ओवरलैप या अलग होने के कारण घटकों के कई जोड़े के लिए प्राप्त परिणामों की तुलना करना हमेशा समझ में आता है।


चित्र 3 प्रमुख घटकों के जोड़े के लिए नमूना स्थानों के तितर बितर भूखंड; ओवरलैपिंग को रोकने के लिए मार्करों के स्थान को थोड़ा बदल दिया गया था।

पहले तीन मुख्य घटकों का उपयोग करके 3 डी आरेखों का निर्माण भी क्लस्टरिंग को निर्धारित करने में मदद कर सकता है, लेकिन हमेशा नहीं। उदाहरण के लिए, चित्र 3 में डेटा के लिए इस तरह के आरेख का निर्माण करने से हमें 4 समूहों की पहचान करने की अनुमति मिलती है जिसमें PUR और KHV आबादी के नमूने जनसंख्या के अनुसार क्लस्टर किए जाते हैं, और CDX जनसंख्या के नमूने दो समूहों (चित्र 4) में विभाजित होते हैं। यह भी निर्देशांक C2xC3 और C1xC3 में चित्रा 3 में ध्यान देने योग्य है।


चित्र 4 तीन मुख्य घटकों के लिए स्कैटर प्लॉट।

विश्लेषण के ऐसे परस्पर विरोधी परिणामों को नमूनों की एक छोटी संख्या द्वारा समझाया जा सकता है, क्योंकि प्रत्येक नमूने के मुख्य घटकों के आकार और संरचना में अलग-अलग डेटासेट के लिए भिन्न होते हैं, और जब विभिन्न आबादी से अतिरिक्त नमूने शामिल किए जाते हैं, तो क्लस्टरिंग का परिणाम बदल सकता है। डेटासेट बनाते समय और नमूनों की आबादी पर संदर्भ डेटा प्रदान करते समय त्रुटियां भी संभावित रूप से संभव हैं, हालांकि, 1000 जीनोम परियोजना में, ऐसी स्थिति की संभावना काफी कम है।

एक एमडीएस फ़ाइल टैब या कॉमा का उपयोग सीमांकक के रूप में नहीं करती है, इसलिए सुविधा के लिए इसका प्रारूप समायोजित करें। दूसरे तर्क के रूप में tab या csv उपयोग करें:

 #     convert_plink_delimiter.sh CEI.1kg.2019.demo.subset.clustering.mds tab 

टीम CEI.1kg.2019.demo.subset.clustering.mds.tab फ़ाइल CEI.1kg.2019.demo.subset.clustering.mds.tab , जिसे आप चित्र 3 में दिखाए गए लोगों के समान स्कैटर चार्ट डाउनलोड और निर्मित कर सकते हैं। परिणामों की तुलना करें, वे ऊपर बताए गए समान होंगे।

क्लस्टरिंग ट्री का निर्माण

आप अतिरिक्त रूप से बाइनरी ट्री का उपयोग करके नमूनों की क्लस्टरिंग का मूल्यांकन कर सकते हैं, जो असतत रूप में नमूनों के बारे में क्लस्टरिंग जानकारी का प्रतिनिधित्व करता है। इस पेड़ के बारे में जानकारी CEI.1kg.2019.demo.subset.clustering.cluster3 (चित्र 5) फ़ाइल में निहित है।


चित्र 5 .cluster3 फ़ाइल की अनुमानित सामग्री, जो 1 क्लस्टर से N तक नमूनों की .cluster3 क्लस्टरिंग की प्रक्रिया का वर्णन करती है, जहाँ N नमूनों की संख्या है।

इस फ़ाइल के पहले दो कॉलम में FID और IID हैं। क्लस्टर संबद्धता हर किसी के द्वारा वर्णित है। इस फ़ाइल को एक कॉलम के वेतन वृद्धि में कॉलम में दाएं से बाएं लिखा जाना चाहिए: शुरू में, सभी नमूने एक क्लस्टर "0" से संबंधित हैं - सबसे सही कॉलम। जब दो समूहों में विभाजित किया जाता है (दूसरे चरण में, दूसरे कॉलम में), दो क्लस्टर दिखाई देते हैं: "0" और "1", जहां क्लस्टर "0" में नमूने HG00731, HG00732 और HG00733 हैं, और क्लस्टर "" में बाकी सभी शामिल हैं। इस तरह के विभाजन का एक चित्र चित्र 6 में दिखाया गया है।

पेड़ से, यह निष्कर्ष निकाला जा सकता है कि नमूने आबादी (चित्रा 1) से संबंधित हैं। इसके अलावा, इस पेड़ के निर्माण से हमें व्यक्तिगत आबादी की निकटता स्थापित करने की अनुमति मिलती है, अर्थात्, एक ईएक्स सुपरपॉपीलेशन में सीडीएक्स और केएचवी आबादी की घटना (पहले से ही सुपरपॉपीजेशन के विभाजन के पहले चरण पर ईएएस और एएमआर दो मौजूदा शाखाओं में अलग हो जाते हैं)। इसके अलावा, क्लस्टरिंग ट्री के निर्माण से मुख्य घटकों पर नमूनों के दृश्य के अस्पष्ट परिणामों को ठीक करने में मदद मिल सकती है।


चित्र 6 10 नमूनों के प्रशिक्षण डेटासेट के लिए द्विआधारी क्लस्टरिंग ट्री: दाईं ओर CEI.1kg.2019.demo.subset.clustering.cluster3 फ़ाइल की सामग्री है (फ़ाइल में दाईं से बाईं ओर, समान रूप से आकृति में ऊपर से नीचे तक)।

प्रतियोगिता का दूसरा कार्य

Data/Test/CEI.1kg.2019.test.vcf.gz और ऊपर दिए गए उदाहरण (चित्र 5) के 12 नमूनों से परीक्षण डेटासेट का उपयोग करें। आपके द्वारा .cluster3 फ़ाइल से एक बाइनरी क्लस्टरिंग ट्री बनाने और इसे समाधान में संलग्न करने के लिए। परिणामी पेड़ का विश्लेषण करें और परीक्षण डेटासेट में प्रस्तुत किए गए सुपरपोपुलेशन की संख्या के बारे में निष्कर्ष निकालें।

टेस्ट किए गए डेटासेट से 12 नमूनों की जनसंख्या क्लस्टरिंग का निर्धारण करें मुख्य घटक C1, C2 और C3 का निर्माण पेड़ का ध्यान में रखते हुए और समस्या नंबर 1 में निर्मित वंशावली पर इंगित करें, व्यक्तिगत जनसंख्या ब्लॉक (चित्रा 1 के समान) को प्रतिबंधित करें। नमूने जो समस्या क्रमांक 1 में रिश्तेदारी की उपस्थिति नहीं दिखाते थे, उन्हें उसी तरह से रखा जाना चाहिए जो आरेख में प्राप्त ब्लॉकों को अन्य नमूनों के साथ लाइनों के साथ जोड़ने के बिना होता है। आपके द्वारा बनाए गए तितर बितर भूखंडों को संलग्न करना न भूलें।

प्रतिक्रियाएँ 26 दिसंबर से 23:59 तक wgs@atlas.ru मेल पर भेजी जानी चाहिए । एक और कार्य जल्द ही प्रकाशित किया जाएगा, और कार्यों के लिए अंतिम परिणाम 28 दिसंबर को दिखाई देंगे। विजेता पूर्ण जीनोम परीक्षण प्राप्त करेगा, और दूसरा और तीसरा स्थान एटलस आनुवंशिक परीक्षण प्राप्त करेगा। Yandex.Cloud से विशेष पुरस्कार भी होंगे। पूर्व और वर्तमान एटलस कर्मचारी प्रतियोगिता में भाग नहीं लेते हैं;)