4. 群体遗传学中的哈代-温伯格平衡

哈代-温伯格平衡，简称HWE。我这几年做群体遗传学分析，几乎每个项目都要跟它打交道。说白了，它就是一把尺子，用来衡量一个群体在理想状态下，基因频率到底该长什么样。

这个原理本身不难理解：在一个非常大的、随机交配的群体里，如果没有突变、没有选择、没有迁移，那么等位基因频率和基因型频率会一代代保持不变。我在给团队培训时总说，你把这个平衡当作一个“零假设”就行——如果实际数据偏离它，说明背后有故事。

4.1 核心公式

假设某个位点有两个等位基因：A和a。频率分别是p和q。那么p + q = 1。这个很简单，没什么可说的。

基因型频率的预期值就是：

AA 的频率 = p²
Aa 的频率 = 2pq
aa 的频率 = q²

我遇到过一些新手，拿到数据后直接上来就算p²，结果发现和观测值对不上。嗯，这里要注意：前提条件必须满足，不然算出来的只是“理论值”，不是现实。

4.2 五个假设条件

实际群体很少完美满足这五个条件。但正因为如此，HWE才更有用。你想想看，如果数据全完美，那我们分析什么呢？

1. 随机交配：每个个体与另一个体交配的概率相同，不受基因型影响。
2. 无自然选择：所有基因型存活和繁殖能力一样。
3. 无突变：等位基因不会从A变成a，也不会反过来。
4. 无迁移：没有个体流入或流出群体。
5. 群体无限大：没有遗传漂变的影响。

4.3 如何检验HWE

最常用的方法是卡方检验。公式很简单：

χ² = Σ(观测值 - 预期值)² / 预期值

具体步骤我一般这么走：

1. 先算等位基因频率p和q。
2. 用p²、2pq、q²算基因型预期个数。
3. 套卡方公式，算χ²值。
4. 自由度是1。查表或用统计软件算p值。

举个例子。假设一个群体有100个人，基因型分布如下：

先算等位基因频率：

A 的频率 p = (2 * 36 + 48) / (2 * 100) = 120 / 200 = 0.6
a 的频率 q = 1 - 0.6 = 0.4

再算预期基因型个数：

AA 预期 = 0.6² * 100 = 36
Aa 预期 = 2 * 0.6 * 0.4 * 100 = 48
aa 预期 = 0.4² * 100 = 16

你会发现，观测值和预期值完全一致。这说明这个群体在这个位点上处于哈代-温伯格平衡。

plink --bfile mydata --hardy

4.4 偏离HWE的常见原因

如果发现位点偏离HWE，不要慌。我个人把它归为三类原因：

• 技术问题：基因分型错误、样品污染、测序深度不够。我排查时，先看这个。
• 生物学原因：选择、群体分层、近亲交配、基因流。这些是做群体遗传学最关心的信号。
• 统计假象：样本量太小，卡方检验不适用。这时候我会改用精确检验。

为什么要区分？因为处理方式完全不同。技术问题的话，我需要回看原始数据，检查是否有批次效应。生物学原因的话，那就恭喜了——你找到了一个候选位点。

4.5 小样本时的替代方法

样本量小于100时，卡方检验结果不可靠。我曾经吃过一次亏，一个只有50个样本的项目，用卡方检验发现一堆显著偏离的位点，后来发现是统计方法不对。

小样本我推荐用Fisher精确检验。它在R里很好实现：

# 假设观测值向量 obs 为 c(AA, Aa, aa)
obs <- c(36, 48, 16)
n <- sum(obs)
p_est <- (2 * obs[1] + obs[2]) / (2 * n)
q_est <- 1 - p_est
exp <- c(p_est^2, 2 * p_est * q_est, q_est^2) * n

# 如果软件包不够，可用 HWExact 包
library(HWExact)
HWExact(obs)

这个方法对样本量不敏感，更可靠。

4.6 多等位基因的处理

实际数据中，很多位点有3个甚至更多等位基因。公式需要扩展。假设有三个等位基因A、B、C，频率分别是p、q、r。那么p + q + r = 1。

基因型预期频率是：

纯合子：p², q², r²
杂合子：2pq, 2pr, 2qr

自由度计算公式也变了：

自由度 = (等位基因数 * (等位基因数 - 1)) / 2

对于三个等位基因，自由度是 (3 * 2) / 2 = 3。这个不搞清楚，p值就全错了。

4.7 QC中的应用

在GWAS等大规模分析中，HWE检验是标准质控步骤。我通常这样用：

• 对照组：p值阈值设得比较严，比如1×10⁻⁶。
• 病例组：阈值可以放宽松，因为选择效应可能让位点偏离。
• 全基因组：只看对照组，排除所有p小于阈值的情况。

为什么？因为疾病相关位点在病例组中可能真的受选择影响，把它过滤掉反而可能漏掉信号。