GenotypeImputation是在高通量测序中常出现的定义，按照义译就是基因型填充。要理解imputation这个概念，我们就需要先从基因型缺失（genotypemissing）这个现象谈起。
1.基因型缺失的定义在重测序类的技术中，有一个关键的因素，就是测序数据对基因组的覆盖度。这个问题我们之前有讨论过（戳这里查看~）。样本中没有被测序数据覆盖到的区域，基因型就属于未知的，我们将之称为缺失位点。例如下图中的个体是二倍体，在21个位点中仅有3个位点被检测到，其他标注为“.”的位点都属于缺失位点。
图1个体的基因型缺失
基因型数据的缺失又分为遗传性缺失和检测性缺失。前者是个体遗传信息的变异（例如，这个位点DNA片段真实缺失）导致的基因型缺失。而后者，则是由于检测技术的局限、错误等导致的信息丢失。各类基因型检测技术都会产生检测性的基因型缺失。但我们要认识一点，基因型缺失是相对概念，如果缺失是“无”，那么肯定是和“有”比较出来的。
常见的描述为缺失（missing）的情形包括：
这个基因位点在群体中其他样本上（可以是部分样本）检测到了，而在A样本中没有检测到，就认为这是A样本缺失位点。
这个位点理论上该被检测到（例如，SNP芯片中有探针覆盖的位点）而实际上没有被检测到，也会被定义为缺失位点。
这个基因型在A技术中可以检测到，但B技术检测不到，那么也可以被定义为缺失。
下面我们罗列一下各类技术的缺失来源。
1全基因组重测序技术全基因组重测序理论上应该覆盖整个基因组，因此未覆盖的区域都可以被定义为缺失。那么群体研究中的低深度测序（一般平均深度低于10X），不可避免会产生大量随机缺失。
2简化基因组测序简化基因组测序是通过酶切，并富集限制性内切酶周边的片段并进行测序的策略。针对简化基因组，我们称的缺失一般指的是没有被检测到的酶切片段相关的位点。简化基因组的缺失，主要与酶切效率有关。酶切效率越高，缺失率越低。
3外显子测序以及目标区域捕获测序同简化基因组测序类似，基于探针杂交的DNA捕获以及测序技术，同样会产生大量的缺失。这种缺失主要是由于探针杂交捕获的效率所致。
4SNP芯片SNP芯片利用芯片杂交后的荧光信号，来判断某个位点的基因型。SNP芯片同样也会产生大量缺失。但在实际的研究中，SNP芯片主要面临的问题是芯片型号不同，甚至来源不同的厂商，那么芯片中包含的SNP位点也不同。当来源不同的数据一起分析的时候，将面临数据不一致的问题。简单说来，就是你有的我没有，我有的你没有。如下图，Affymetrix和illuminate两大SNP芯片厂商生产的人类芯片就使用的是不同的SNP集，当放在一起分析的时候将面临SNP不一致的问题。
图2Affymetrix和illuminate的SNP芯片信息并不一致
，再次强调基因型缺失是1个相对性的概念。以上缺失的概念都是针对同种技术的比较。不同的技术比较，也可以定义为缺失。例如，同样一份样本，我们使用全部以上4种技术检测。如果以全基因组高深度测序（30X）为参照标准，后续的3种技术都有大量位点没有检测到，处于基因型缺失的状态。
缺失的判断也有很简单的计算方法，就是缺失率（missingrate）。这个评价又分为样本水平的缺失率和位点水平的缺失率。例如下图，0、1、2分别代表三种检测到的基因型，图中缺失位点使用“？”表示。那么样本1的缺失率=20%（总体10个位点，有两个位点缺失），而位点2的缺失率=60%（总体5个位点，有3个位点缺失）。
图3位点水平和样本水平的缺失率
2.基因型缺失的影响基因型缺失最直接的影响就是这个位置的信息缺失，从而影响下游分析（包括遗传图谱构建，QTL定位，选择压力分析，GWAS分析等）的信息完整性和准确性。例如，图4（b）中红色的点是图4（a）中缺失的位点。而与性状关联的SNP位点，恰恰位于虚线所在的区域内。这些显著位点在（a）中是缺失的，所以（a）没有检测到关联信号，从丢失了非常关键的信息。
图4缺失的数据（a）和非缺失数据（b）关联分析结果的比较。
所以，基因型缺失 的风险就是信息丢失。基因型缺失对GWAS分析、选择压力分析影响都比较大。这类研究中，重测序技术相比其他三种技术， 的优势就是信息完整。
但某些研究对标记密度要求不是那么高，缺失的影响则较小。例如，对于遗传图谱类构建，通常几千个标记就足以保证检测所有的染色体重组事件。而简化基因组测序通常可以获得数万个标记，我们通常会将高缺失率的位点直接过滤放弃，只保留剩余的高质量的低缺失率位点（通常依然有几千个）用于下游分析，保证重组率计算的准确性。
3.应对数据缺失的方法——基因型填充尽管基因型缺失有种种不利影响，但我们却无法完全避免。例如，在有限的经费下，没有经费提高测序深度；简化基因组测序无法保证酶切效率%；我们无法保证某个研究涉及的所有样本都来源affymetrix同个型号的芯片……，那么我们只能使用生物信息的策略，来减少缺失的影响。这个方法就是基因型填充（imputation）。
Imputation英文的原意应该是归罪、归属。而imputation在这里指代的意思是对这个位点的基因型规律进行总结，然后对缺失位点归到某类中，赋予其一个最可能的基因型。所以，我将之称为缺失填充。常见imputation的基本逻辑包括两步：
从目标位点/区域非缺失的位点中，总结这个区域的基因型规律，并分类。其实就是分析各个区域的单体型组成。
根据某样本缺失位点的上下其他非缺失位点，判断这个区域属于哪种单倍型。然后根据所属单倍型的基因型补充该样本的缺失位点。
看图说话会更加直观（如下图5）。在图5（a）中，那个有大量缺失基因型的个体就是图1中的个体。图中下半部分由多个个体构成的参考单倍型集（referencehaploypes）。这些参考集的基因型都是完整的。从这些参考数据集中，我们可以推断整个群体的单倍型构成。然后，根据缺失样本有限的基因型信息（仅有3个位点），就可以判断这个样本与参考单倍型集中的哪种单倍型最为相似（图中分别对应紫色、绿色、黄色三种单倍型）。然后，将对应的最相似的单倍型赋予给该样本，从而让该样本获得完整的基因型（图b）。
图5imputation的常见逻辑
绝大部分imputation软件都是使用类似的逻辑完成基因型的补充，从而降低样本的缺失率。广义上的缺失数据补充分为两种情况：
策略1：没有参考数据集，利用群体本身的基因数据推断缺失位点的基因型。
这相当于你只有图3中的数据，而没有其他参考的数据集。那么，你可以基于图3中的数据构建单倍型集（如果样本足够多，且缺失并不是很严重）并相互补充缺失数据。这种情况常见与动植物研究（因为大部分动植物参照数据有限或没有）。比较经典的文章就是年水稻GWAS的文章[1]。作者在仅仅使用1X的测序深度的情况下，通过imputation将平均位点缺失率从61.7%降低到2.9%。在另一篇文章中，研究人员也是使用软件beagle实现对水稻低深度（平均2.2X）测序数据的imputation[2]。
策略2：有参考数据集，利用参考数据集实现缺失位点填充。
群体的参考数据集可以是亲本基因型信息（作为子代个体基因型imputation的参考），同个种群的其他测序数据等。由于hapmap计划、千人基因组计划等提供了丰富的参考数据集，所以基于参考数据集的imputation广泛应用于人类的群体研究。
4.Imputation相关的软件Imputation相关的软件大部分是围绕人类群体研究而开发的，比较经典的软件包括impute1，impute2，MACH，Beagle等，这里篇幅有限就不详细展开介绍，更详细的介绍可以阅读相关综述[3]。例如beagel就可以实现以上提到的策略1和策略2的分析。但以上大部分软件都是针对人类的开发的。人类种群的遗传特性是个体杂合率较高、近交率低、系谱关系来源随机（换成大白话就是：禁止乱伦，崇尚自由恋爱啊）。
很多植物，尤其作物的遗传特性则和人类相反。以玉米为例，玉米在育种过程中，会伴随大量的自交，因此纯合度较高，而且系谱关系（杂交方式）往往可控。另外，目前在植物育种上会大量使用简化基因组测序（尤其GBS测序策略）。这种测序策略成本低，但产生的数据包含大量缺失位点。因此，对于玉米这类作物GBS数据的imputation，以上针对人类学开发的软件就未必适用了。
经典的关联分析软件Tassel就针对作物群体GBS的数据，开发了imputation的模块。这个模块中最重要的两个算法是针对自然群体的FILLIN子模块和针对全同胞家系的FSFHap子模块[4]。所以，如果是遗传特性与玉米类似的植物的GBS数据，可以采用Tassel中包含的imputation模块来完成分析。
参考文献：
[1]HuangX,WeiX,SangT,etal.Genome-wideassociationstudiesof14agronomictraitsinricelandraces[J].Naturegenetics,,42(11):-.
[2]HuangX,YangS,GongJ,etal.Genomicanalysisofhybridricevarietiesrevealsnumeroussuperiorallelesthatcontributetoheterosis[J].Nature北京治疗白癜风多少钱呀 毒性
