3. 单倍型与基因型基础

长读长单倍型分相的所有算法，最终都要回答同一个问题：一个二倍体个体的两条同源染色体，各自携带了哪些等位基因？要理解分相工具的输出，必须先建立一套关于二倍体基因组结构的共同语言。本节从最基础的基因型概念出发，逐步过渡到单倍型块与连锁不平衡，并说明这些概念在分相流程中各自扮演什么角色。

一、二倍体基因组的基本结构

人类是二倍体生物，除性染色体外，每个常染色体都有两份拷贝：一份来自父亲（父源），一份来自母亲（母源）。这两份拷贝称为同源染色体，它们在相同位置上携带同一基因，但序列未必完全相同。我们把某一条同源染色体上的一段连续序列称为一个单倍型（haplotype），它描述的是“同一条物理分子上”的等位基因组合。与之相对，基因型（genotype）只描述某个位点上两份拷贝合起来是什么，不区分哪一份来自哪条染色体。

这个区别是分相问题的根源。假设某个 SNP 位点上，参考基因组是 A，个体测序结果显示该位点同时存在 A 和 G 两种碱基，那么基因型记为 A/G（杂合）。但仅凭这个位点，我们无法知道是“父源 A + 母源 G”还是“父源 G + 母源 A”。分相要做的，就是把这个无序的 A/G 还原成两条有序的单倍型：H1 = A，H2 = G，或反过来。

二、杂合位点与纯合位点

按两份拷贝是否相同，位点分为两类：

• 纯合位点（homozygous）：两条同源染色体在该位点的等位基因相同，如 A/A。纯合位点不提供分相信息，因为无论怎么分配，两条单倍型在该位置都是 A。
• 杂合位点（heterozygous）：两条同源染色体在该位点的等位基因不同，如 A/G。杂合位点是分相的信息位点，每一个杂合位点都相当于一个“二选一”的开关。

因此，分相的信息量本质上取决于杂合位点的数量与分布。一个只有少量杂合位点的区域，很难被可靠地分成两条单倍型；而杂合位点密集的区域，则提供了丰富的可分辨信号。需要注意，杂合位点的“密度”在不同基因组区域差异很大，这也是分相质量在基因组上不均匀的原因之一。

三、单倍型块：分相的实际输出单元

实际分相算法很少逐位点输出相位，而是输出单倍型块（haplotype block）：一段内部相位一致、边界处相位发生切换的连续区间。块内所有杂合位点的等位基因被一致地分配到 H1 或 H2；块与块之间则可能出现相位翻转（switch）。

单倍型块的形成与连锁不平衡（Linkage Disequilibrium, LD）密切相关。LD 描述的是不同位点等位基因之间的非随机关联：如果两个位点距离很近，重组事件在世代传递中很少发生在它们之间，那么这两个位点的等位基因就倾向于一起遗传，表现为强 LD。强 LD 使得一段区域内的杂合位点可以被当作一个整体来分相，这正是单倍型块能够成立的基础。

LD 的强度通常用 r² 或 D' 度量。r² 越接近 1，说明两个位点关联越强；r² 接近 0 则说明它们近似独立。分相工具在构建单倍型块时，往往隐式或显式地利用了这种关联结构：块内位点通过读长或连锁证据被“绑”在一起，块边界则对应重组热点或证据不足的区域。

四、连锁不平衡在分相中的角色

LD 对分相的作用可以从两个方向理解。第一，LD 提供群体层面的先验：在参考面板（reference panel）中，如果两个位点的等位基因在大量样本中总是共同出现，那么当我们在新样本中看到其中一个位点的等位基因时，就可以推测另一个位点的相位。基于隐马尔可夫模型（HMM）的分相工具（如 SHAPEIT、Beagle 等）正是利用这种群体 LD 结构来推断相位。

第二，LD 决定单倍型块的粒度：强 LD 区域内的位点容易被一致分相，形成较长的块；LD 衰减快的区域则块较短、切换更频繁。因此，单倍型块的长度并不是固定值，而是随基因组区域和人群不同而变化。在评估分相结果时，块的长度分布、块内杂合位点数、以及块间切换次数，都是重要的观察指标。

五、从概念到分相判断

把上述概念串起来，可以得到一个实用的判断框架：

在实际操作中，一个常见的误区是：看到某段区域分相结果“全是纯合”就认为分相失败。实际上，如果该区域本身杂合位点极少，那么无论算法多强，都无法产生有意义的相位区分。正确的做法是先统计该区域的杂合位点密度，再判断分相结果是否合理。另一个误区是忽略块边界：块边界往往对应重组事件或证据不足的位置，解读时应结合重组热点、测序深度和读长覆盖情况综合判断。

理解二倍体结构、杂合/纯合位点、单倍型块与 LD 这四个概念之间的层次关系，是后续学习读长比对、定相算法、以及结果评估的基础。它们共同回答了一个核心问题：我们凭什么把无序的基因型还原成有序的两条单倍型？答案就藏在杂合位点提供的开关、LD 提供的关联、以及单倍型块提供的连续区间之中。