Shotgun DNA sequencing evidence: sample-specific and unknown genotyping error probabilities

本文扩展了 wgsLR 模型，使其能够处理法医样本中样本特异性及未知的基因分型错误概率，并验证了该模型在过离散情况下的稳健性，相关功能已集成至 R 语言包 wgsLR 中。

要点

这篇论文主要讲的是法医科学中如何处理“质量很差”的 DNA 样本，并发明了一套更聪明的数学方法来计算证据的“分量”。

为了让你更容易理解，我们可以把整个故事想象成**“在嘈杂的房间里辨认声音”**。

1. 背景：为什么我们需要新方法？

想象一下，法医在犯罪现场找到了一根干枯的头发（这是“痕迹样本”）。

• 传统方法（STR）：就像试图听清一个人在嘈杂的菜市场里说话。如果头发太干、DNA 太碎，就像声音被噪音完全盖住了，传统的“听音辨人”方法（PCR-CE 技术）根本听不清，无法识别出是谁。
• 新方法（全基因组测序）：既然听不清整句话，我们就换个思路。我们不再试图听整句话，而是去听每一个具体的音节（单核苷酸多态性，SNP）。即使声音很微弱、很破碎，只要收集足够多的音节，我们依然能拼凑出这个人的“声音指纹”。

但是，全基因组测序（Shotgun Sequencing）也不是完美的。它就像在一个回声很大的空房间里录音，录音里会有杂音（测序错误）。

2. 核心问题：两个样本，两种“噪音”

在法医案件中，通常有两个样本：

1. 痕迹样本（Trace）：比如那根干枯的头发。质量很差，噪音很大（错误率高）。
2. 参考样本（Reference）：比如嫌疑人的口腔拭子。质量很好，几乎没噪音（错误率低）。

以前的模型就像是一个“傻瓜”：它假设这两个样本的噪音是一样大的。

• 如果它把“干枯头发”的噪音也当成“口腔拭子”那么小，它就会误以为那些因为头发太干而产生的杂音是“嫌疑人换了个人”的证据，从而冤枉好人或者低估证据。
• 如果它把“口腔拭子”的噪音也当成“头发”那么大，它又会觉得“哎呀，这点杂音可能是误差”，从而放过坏人。

这篇论文做的第一件事：
它发明了一个**“双耳听力模型”**。它承认：

• 左耳（痕迹样本）：噪音很大，听错的可能性高（$w_t$）。
• 右耳（参考样本）：噪音很小，听错的可能性低（$w_r$）。
  这样，模型就能更公平地计算：到底是“因为太吵听错了”，还是“真的不是同一个人”？

3. 最大的难题：如果连“噪音有多大”都不知道怎么办？

这是论文最精彩的部分。
在现实中，我们往往不知道那根干枯头发的具体“噪音水平”到底是多少（$w_t$ 未知）。我们只知道它肯定比口腔拭子（$w_r$）要差。

论文提出了三种“猜谜”策略来解决这个未知数：

策略 A：贝叶斯“加权平均”法（Integration）

• 比喻：就像你请了100 位专家来猜这根头发的噪音有多大。有的专家猜噪音是 1%，有的猜是 5%，有的猜是 10%。
• 做法：我们不只信某一个专家，而是把这 100 位专家的猜测加权平均一下。如果某个猜测出现的概率大，我们就多听它的。
• 结果：这样算出来的证据分量（WoE）是最稳健的，因为它考虑了所有可能的情况。

策略 B：最大似然“找最佳”法（Maximising Profile Likelihood）

• 比喻：就像你在玩一个**“找最大值”的游戏**。
• 做法：我们假设“如果噪音是 X，证据分量最大”，然后“如果噪音是 Y，证据分量最大”。我们在所有可能的噪音值里，挑出那个能让证据看起来最“像”同一个人（或最“像”不同人）的数值。
• 结果：这种方法计算快，但有时候会为了“凑”出一个结果而过于乐观，导致在某些情况下（特别是样本少的时候）判断失误。

策略 C：保守的“就低不就高”原则（The Conservative Rule）

• 比喻：这是论文给出的**“黄金建议”**。
• 核心发现：如果你不知道噪音有多大，宁可把噪音想得很小（很完美），也不要把它想得很巨大。
  • 为什么？ 如果你把噪音想得太大了（比如假设头发样本错误率高达 10%），那么当头发和口腔拭子对不上时，模型会想：“哦，这可能是因为噪音太大听错了”，于是它会把“不同人”的嫌疑洗白，导致证据分量变低（对嫌疑人有利，对检方不利）。
  • 反之：如果你把噪音想得很小（比如假设它和口腔拭子一样好），当它们对不上时，模型会想：“既然噪音这么小，对不上肯定是因为真的不是同一个人"。这会让证据分量变得更保守、更有力（对检方有利，或者至少不会冤枉好人）。
• 结论：在不知道具体数值时，直接把“烂头发”的噪音当成和“好口腔拭子”一样好（$w_t = w_r$），是一个既简单又安全的做法。

4. 总结：这篇论文有什么用？

1. 更精准：它不再把“烂样本”和“好样本”混为一谈，而是区分对待，让法庭上的证据计算更科学。
2. 更鲁棒：即使 DNA 样本的噪音分布不均匀（有的地方噪音大，有的地方小），这个模型依然很稳，不会乱算。
3. 更实用：它告诉法医专家，如果你不知道那个烂样本到底多烂，别瞎猜，就假设它和好的样本一样好。这样做虽然看起来有点“天真”，但在法律上是最保守、最安全的，能防止因为高估错误率而让坏人逃脱。

一句话总结：
这篇论文给法医提供了一套**“双耳听力”的数学工具，让他们在面对“又脏又破的犯罪现场 DNA"时，能更聪明地计算证据，并且给出了一个“宁可信其好，不可信其坏”**的实用建议，以确保司法公正。

这套方法已经写进了一个叫 wgsLR 的电脑软件包里，供全球的法医遗传学家使用。

技术摘要

这是一份关于论文《Shotgun DNA sequencing evidence: sample-specific and unknown genotyping error probabilities》（ shotgun DNA 测序证据：样本特异性及未知的基因分型错误概率）的详细技术总结。

1. 研究背景与问题 (Problem)

• 法医遗传学挑战：许多法医生物检材（如处于休止期的毛发）的 DNA 质量极差或高度降解，无法通过传统的短串联重复序列（STR）和毛细管电泳（PCR-CE）技术获得有效的 DNA 分型图谱。
• 替代方案：全基因组鸟枪法测序（Shotgun DNA sequencing）成为获取单核苷酸多态性（SNP）标记信息的有效替代方案。
• 核心痛点：
  1. 测序错误不可避免：测序过程存在错误，且不同样本（如低质量的检材样本 vs. 高质量的参考样本）的错误率不同。
  2. 现有模型局限：Andersen 等人 (2025) 提出的 wgsLR 模型虽然能评估单源样本的证据强度，但假设检材样本（Trace, $X_t$）和参考样本（Reference, $X_r$）具有相同的基因分型错误概率（$w$）。
  3. 实际场景不符：在实际案件中，检材通常质量较差（错误率 $w_t$ 高），而参考样本（如嫌疑人的口腔拭子）质量可控且错误率极低（$w_r$ 低）。此外，检材的准确错误率往往是未知的。
• 研究目标：扩展 wgsLR 模型，使其能够处理非对称（样本特异性）的基因分型错误概率，并解决在错误概率未知情况下的似然比（LR）计算问题。

2. 方法论 (Methodology)

该研究在 R 语言环境中进行，主要基于对原始 wgsLR 模型的数学扩展和模拟实验。

2.1 模型扩展：样本特异性错误概率

• 符号更新：将检材样本错误率记为 $w_t$，参考样本错误率记为 $w_r$。
• 似然比 (LR) 推导：重新推导了在不同基因型组合下（检材 $X_t$ 和参考 $X_r$ 分别为 0, 1, 2 等位基因），考虑 $w_t \neq w_r$ 时的 LR 计算公式（详见论文 Table 1）。
• 实现：在 R 包 wgsLR 中实现了新的计算对象 d_LR_wTwR。

2.2 处理未知的 $w_t$

针对检材错误率 $w_t$ 未知的情况，提出了两种主要策略：

1. 贝叶斯积分法 (Integration over prior)：
   • 假设 $w_t$ 服从先验分布（如 Beta 分布）。
   • 通过对先验分布进行积分（边缘化），计算证据的期望似然比。
   • 公式：$LR = \frac{\int P(E|H_1, w_t)P(w_t)dw_t}{\int P(E|H_2, w_t)P(w_t)dw_t}$。
   • 证明了在计算对数似然比（WoE）时，先验分布的假设（是否所有标记共享同一个 $w_t$）不影响最终结果的可加性。
2. 轮廓似然最大化法 (Maximising profile likelihood)：
   • 在假设 $H_1$（同一人）和 $H_2$（不同人）下，分别寻找使似然函数最大化的 $w_t$ 值。
   • 使用这些最大化后的似然值计算 WoE。

2.3 模拟实验设计

• 过离散度 (Overdispersion) 测试：模拟基因组不同区域错误率波动（Beta 分布），但平均错误率固定，检验模型对 $w$ 估计的稳健性。
• 未知 $w_t$ 测试：
  • 设置不同的真实 $w_t$ 值（$10^{-4}, 10^{-3}, 10^{-2}$）和参考样本$w_r$（固定为$10^{-4}$）。
  • 模拟不同数量的独立 SNP 标记（50, 100, 200 个）。
  • 对比不同方法（已知真值、假设 $w_t=w_r$、轮廓似然最大化、不同先验分布积分）在证据权重（WoE）上的表现。

3. 主要贡献 (Key Contributions)

1. 模型扩展：成功将 wgsLR 模型从“单一样本错误率”扩展为“样本特异性错误率”（$w_t$ 和 $w_r$ 可不同），更贴合法医实际（低质量检材 vs. 高质量参考）。
2. 未知参数处理策略：系统评估了处理未知检材错误率的多种方法（贝叶斯积分、轮廓似然最大化、直接代入参考样本错误率），并提供了数学推导和软件实现。
3. 稳健性验证：证明了模型对基因组错误率的“过离散度”（即局部错误率波动）具有高度稳健性，平均错误率估计准确。
4. 实用建议：提出了在无法确定检材错误率时的保守策略建议（即低估错误率比高估更安全）。

4. 研究结果 (Results)

• 过离散度稳健性：即使基因组不同区域的错误率存在波动（过离散），只要平均错误率为 $w$，模型仍能准确估计 $w$，未受显著影响。
• 未知 $w_t$ 的处理效果：
  • 保守性原则：研究发现，低估检材错误率（即使用较小的 $w_t$，甚至直接设 $w_t = w_r$）比高估错误率更为保守。
    • 原因：如果高估错误率，模型倾向于将检材与参考样本之间的基因型不一致解释为“测序错误”，从而降低排除嫌疑人的能力（导致 WoE 偏向支持 $H_1$，即错误地支持同一人）。
    • 反之：低估错误率（设为较小值）会使不一致更难以被解释为错误，从而更倾向于支持 $H_2$（不同人），这在法医学上更为保守和安全。
  • 方法比较：
    • 当标记数量充足（如 200 个 SNP）时，所有方法（包括轮廓似然最大化和贝叶斯积分）都能给出正确的 WoE 符号（即正确区分 $H_1$ 和 $H_2$）。
    • 轮廓似然最大化法在标记较少（50-100 个）且 $H_2$ 为真时，表现略差，容易出现错误的 WoE 符号（即错误地支持 $H_1$）。
    • 直接假设 $w_t = w_r$：由于通常 $w_t > w_r$，直接假设相等实际上是低估了 $w_t$。结果显示这是一种非常有效且保守的实用方法，特别是在标记数量较多时，其结果与已知真值非常接近。
• 证据权重 (WoE)：随着独立标记数量的增加，WoE 的区分度显著提高。

5. 意义与结论 (Significance)

• 法医实践指导：该研究为处理低质量法医检材（如降解 DNA）的 SNP 测序数据提供了严谨的统计框架。
• 操作建议：
  • 在无法获得检材样本特异性错误率估计的情况下，推荐使用参考样本的错误率（$w_r$）作为检材错误率（$w_t$）的代理值。
  • 这种做法在数学上是保守的（倾向于排除嫌疑人而非错误地认定），且计算简便，无需复杂的先验分布设定。
  • 如果拥有重复的检材样本，则应利用重复样本来估计 $w_t$ 的后验分布，以获得更精确的评估。
• 软件工具：所有扩展功能已集成在 R 包 wgsLR 中，供法医遗传学家直接使用。
• 理论价值：解决了全基因组测序证据解释中关于非对称错误率和参数不确定性的关键统计问题，提升了全基因组测序在法医个体识别（HID）中的可信度和应用范围。

总结：这篇论文通过数学扩展和模拟验证，解决了全基因组测序在法医应用中面临的核心统计难题。它证明了模型对错误率波动的稳健性，并给出了处理未知错误率的实用且保守的解决方案，极大地推动了 shotgun DNA 测序在法医证据解释中的标准化应用。