这是理解 Imputation 结果的关键。我们从生物学角度一步一步讲。

你的位点：

CHROM=1
POS=55057

REF=A
ALT=G

GT:GP:DS
0|0:1,0,0:0

1 什么是 REF 和 ALT

VCF中：

REF=A
ALT=G

表示参考基因组（GRCh37/38）在这个位置是：

A

发现有人群中存在另一种碱基：

G

因此：

A = REF allele
G = ALT allele

2 为什么GT中的0表示A

VCF规范规定：

0 = REF
1 = 第一个ALT
2 = 第二个ALT
...

所以：

REF=A
ALT=G

对应：

| 编码 | 实际碱基 |
| -- | ---- |
| 0 | A |
| 1 | G |

因此：

0|0

实际就是：

A|A

而：

0|1

实际是：

A|G

而：

1|1

实际是：

G|G

3 为什么会有两个数字

因为人类是二倍体（diploid）。

每个常染色体：

一条来自父亲
一条来自母亲

例如：

chr1

你有：

父源chr1
母源chr1

因此每个位点都有两个等位基因。

例如：

父亲给A
母亲给G

则：

A/G

即：

0/1

4 为什么是 | 而不是 /

VCF中：

0/1

表示：

知道是杂合
不知道谁来自父亲谁来自母亲

称为：

Unphased

例如：

0/1

有两种可能：

父=A 母=G

或者：

父=G 母=A

无法区分。

而：

0|1

表示：

左边一条染色体
右边一条染色体

已经确定。

称为：

Phased genotype

5 为什么你的数据是 phased

因为你前面做过：

QC
↓
SHAPEIT4
↓
Minimac4

SHAPEIT4的核心任务就是：

Phasing

把：

0/1

变成：

0|1

举例：

原始芯片：

rs1 = A/G
rs2 = C/T

实际上可能是：

方案1：

父源:
A --- C

母源:
G --- T

或者：

方案2：

父源:
A --- T

母源:
G --- C

SHAPEIT4利用：

群体LD
参考面板

推断：

哪种组合更可能

得到：

A-C
G-T

这样的单倍型（haplotype）。

这就叫：

Phasing

6 GP是什么

GP：

Genotype Probability

即：

每种基因型的概率

对于二等位基因位点：

REF=A
ALT=G

只有三种可能：

因此：

GP
=
P(0/0)
P(0/1)
P(1/1)

你的：

GP=1,0,0

表示：

P(A/A)=1

P(A/G)=0

P(G/G)=0

即：

100%确定是A/A

例如：

GP=0.1,0.7,0.2

表示：

A/A =10%
A/G =70%
G/G =20%

7 为什么DS这样计算

DS全称：

Dosage

实际上是：

ALT allele expected count

即：

ALT等位基因期望拷贝数

先看三种基因型拥有多少个ALT：

A/A

0个G

即：

ALT count = 0

A/G

1个G

即：

ALT count = 1

G/G

2个G

即：

ALT count = 2

因此：

统计学里：

期望值：

E(X)
=
Σ
x·P(x)

这里：

X = ALT count

因此：

DS

=
0×P(A/A)
+
1×P(A/G)
+
2×P(G/G)

也就是：

DS

=
0×P(0/0)
+
1×P(0/1)
+
2×P(1/1)

8 举例

假设：

GP

0.1
0.7
0.2

即：

A/A =10%
A/G =70%
G/G =20%

那么：

DS

=
0×0.1
+
1×0.7
+
2×0.2

=
1.1

说明：

这个样本平均来说拥有：

1.1个G

9 为什么GWAS喜欢DS

PLINK1.9会把上面的结果变成：

GT=A/G

即：

1

直接用于回归。

而PLINK2会使用：

DS=1.1

因此：

A/G(非常确定)

和

A/G(很不确定)

可以被区分。

这正是 Imputation 的核心思想：

GT
=
最可能基因型

GP
=
各种基因型概率

DS
=
ALT拷贝数期望值

对于你的例子：

0|0:1,0,0:0

实际上等价于：

A|A

P(A/A)=100%

P(A/G)=0%

P(G/G)=0%

DS=0

说明这个样本在该位点非常确定地携带两个参考等位基因 A。