📚 课程目录第1章等位基因频率概述

1. 等位基因频率概述：定义与生物学意义

讲等位基因频率之前，我先问大家一个问题：你凭什么说一个群体里某个基因变异“常见”或“罕见”？数量。说白了就是数数——数清楚这个位点上每种等位基因出现了多少次。

等位基因频率（Allele Frequency），就是某个特定等位基因占该位点全部等位基因总数的比例。打个比方：你有一个100人的群体，每个人都是二倍体，那某个常染色体位点就有200个等位基因。如果其中A出现了120次，那么A的频率就是0.6。

我在做GWAS分析的时候，第一件事就是算频率。频率不对，后面所有统计都会翻车。这一点我深有体会——有一次我没仔细检查，混入了一批重复样本，结果频率直接偏了10%，整张曼哈顿图都废了。

公式很直白：

p = count(A) / (2 * N)

其中count(A)是A等位基因的拷贝数，N是样本个体数。注意，性染色体和线粒体的算法要调整，后面章节会细说。

如果是基因型数据，通常从PLINK或VCF里直接提取。我用得最多的命令：

plink --bfile mydata --freq --out freq_output

输出文件长这样：

CHR  SNP   A1   A2   MAF  NCHROBS
1    rs1   A    G    0.35 2000
1    rs2   T    C    0.12 1998

MAF就是Minor Allele Frequency（次等位基因频率）。注意，MAF不一定是频率小的那个——在输出里它会自动选频率低的那个作为A1。

关键点： 等位基因频率是一个群体统计量，不是个体属性。同一个位点在不同群体里可以差很大，这正是群体遗传学的基础。

等位基因频率不是个数字那么简单。它背后藏着进化、疾病、选择、漂变。我总结了几层意义：

你想想看，一个位点在非洲人群里频率0.8，在欧洲人群里只有0.05，这表示什么？要么是当地选择压力不同，要么是遗传漂变。我曾经在一个跨种族研究中，发现某个药物靶点的频率差异巨大，差点因此调整了入组标准。

在实际项目里，我通常关注几个分布特征：

个人习惯：我一般把MAF < 0.01的位点先过滤掉再跑关联分析，除非是做罕见变异负荷检验。否则假阳性率高到你怀疑人生。

绝大多数位点的等位基因频率其实靠近0或1。为什么？因为大部分突变都是近期产生的，还没扩散开。也就是说，绝大多数SNP是罕见变异。

这个分布可以用SFS（Site Frequency Spectrum）来展示。简单说就是：把位点按等位基因出现的次数分组，然后看每组有多少个位点。结果往往是“L”形——次数低的位点占绝大多数。

踩坑提醒：我曾经在一个全外显子项目中，以为罕见变异不影响分析，结果发现病例组里有几个极端频率的基因，它们刚好是已知致病基因。如果当时直接过滤掉，就错过了关键发现。所以，过滤频率要谨慎——先理解你的研究问题。

频率的精度高度依赖样本量。样本量太小，你根本测不准低频变异。举个例子：你只有50个样本，那一个MAF=0.02的位点最多出现2次等位基因，算出来误差极大。

常用的估算：要稳定检测MAF=0.01的位点，至少需要2000个样本（单倍型数4000）。

# Python里快速计算频率标准误
import numpy as np
p = 0.01    # 等位基因频率
n = 2000    # 样本数
se = np.sqrt(p * (1-p) / (2*n))
print(f"标准误: {se:.4f}")

输出：

标准误: 0.0016

也就是说，如果p=0.01，n=2000，95%置信区间大约是0.0069 ~ 0.0131。还算靠谱吧。

下面我把这章的核心概念串起来，画一张结构图。你看完应该能记住频率到底是什么，怎么算，为什么重要。

一句话总结：等位基因频率是所有群体遗传分析的起点。不把频率算清楚，后面的关联分析、选择检测、群体结构推断都是空中楼阁。

嗯，这一章就到这里。记住：频率是统计，也是生物学。下次再做数据清洗，记得先看看MAF分布。