Pengelly样本追踪

背景

在进行人类二代测序的Panel设计时，往往需要在Panel中加入一些SNP位点，用于区分样本，或者说检测样本间污染。

Pengelly的方案是使用24个SNP进行样本追踪。

他们设计了一个SNP的选择要求：

1，不包含互补碱基的替换，即A↔️T、G↔️C；

2，不在重复序列中，侧翼250bp的GC比例在40%~55%范围，50bp范围内不允许有其他变异；

3，在多个人种中，明确人群频率都在0.2~0.8之间；

4，不改变编码蛋白的以及序列，或在OMIM中没有记录。

我在以往的设计里，挑选的方案有所不同，因为我还会考虑将位点用作分析染色体结构变异的骨架。现在参考这个方案进行调整。

一个大的差异是，为了不影响检测Panel，我在挑选位点时会特地选择在内含子中的位点，但这个方案为了直接嵌入现有的WES试剂盒中，会选择外显子中同义突变（被常见Panel覆盖，或者选择UTR，或者WES可覆盖的Intron）的位点，因此，不需要额外增加探针。

因为最终挑选出的SNP数目仅24个，所以不能用作染色体结构变异分析（当然人家是在WES里设计的，WES本身的覆盖范围是足够做染色体结构变异分析了）。

结果

Chromosome	Position (Hg19)	rsID (dbSNP137)	Gene
1	179520506	rs1410592	NPHS2
1	67861520	rs2229546	IL12RB2
2	169789016	rs497692	ABCB11
2	227896976	rs10203363	COL4A4
3	4403767	rs2819561	SUMF1
4	5749904	rs4688963	EVC
5	82834630	rs309557	VCAN
6	146755140	rs2942	GRM1
7	48450157	rs17548783	ABCA13
8	94935937	rs4735258	PDP1
9	100190780	rs1381532	TDRD7
10	100219314	rs10883099	HPSE2
11	16133413	rs4617548	SOX6
12	993930	rs7300444	WNK1
13	39433606	rs9532292	FREM2
14	50769717	rs2297995	L2HGDH
15	34528948	rs4577050	SLC12A6
16	70303580	rs2070203	AARS
17	71197748	rs1037256	COG1
18	21413869	rs9962023	LAMA3
19	10267077	rs2228611	DNMT1
20	6100088	rs10373	FERMT1
21	44323590	rs4148973	NDUFV3
22	21141300	rs4675	SERPIND1

验证方案

Pengelly的方案中模拟了一个10000人的数据集，数据集的这些位点的AF分布符合HapMap的人群频率。最后得到的结论是平均约每40个10000人的数据集中会出现1对重复的个体。

怎么做

脑海中过了一遍，方案就是把每个人的这24个位点的基因型都检测出来，然后进行匹配即可。具体的说，我大概会把这24个位点固定排序，然后将每个人的基因型生成一条固定的序列。

伪代码

from collections import Counter
counts = Counter(profile_list)
duplicates = [profile for profile, count in counts.items() if count > 1]
if duplicates:
    print("Duplicates found:", duplicates)
else:
    print("No duplicates found")

思考

将原本的一批次SNP同时用于样本识别和结构变异分析分开，让样本识别回归样本识别，结构变异回归结构变异。