pixy: несмещённая оценка нуклеотидного разнообразия и дивергенции при наличии пропущенных данных

В популяционно-генетических исследованиях для описания закономерностей генетической изменчивости и понимания эволюционных процессов часто используют сводные статистики. К наиболее фундаментальным из них относятся π и d, характеризующие генетическое разнообразие внутри популяций и дивергенцию между популяциями соответственно. В настоящей работе рассматривается широко распространённая проблема, возникающая при расчёте π и d: систематическое смещение, обусловленное пропущенными данными разных типов. Многие популярные методы расчёта π и d работают с данными, представленными в формате VCF, который сокращает объём генетических данных за счёт исключения неизменяющихся сайтов. При расчёте π и d по данным VCF часто неявно предполагается, что пропущенные генотипы, включая генотипы в сайтах, отсутствующих в VCF, являются гомозиготными по референсному аллелю. Мы показываем, что это предположение может приводить к существенному занижению оценок π и d, прямо пропорциональному объёму пропущенных данных. Мы обсуждаем распространённость и значение этой проблемы для популяционной генетики и представляем удобную утилиту pixy для командной строки UNIX, которая решает эту проблему с помощью алгоритма, генерирующего несмещённые оценки π и d при наличии пропущенных данных. Мы сравниваем pixy с существующими методами на симулированных и эмпирических данных и показываем, что только pixy позволяет получать несмещённые оценки π и d независимо от типа и объёма пропущенных данных. Таким образом, наше программное обеспечение решает давнюю проблему прикладной популяционной генетики и подчёркивает важность корректного учёта пропущенных данных при проведении популяционно-генетических анализов.