摘要（全译）

单核苷酸多态性（single nucleotide polymorphisms，SNPs）为法医 DNA 分析人员提供了希望，但一套个体识别 SNP（individual identification SNPs，IISNPs）位点组合，能否像联合 DNA 索引系统（Combined DNA Index System，CODIS）的短串联重复（short tandem repeats，STR）那样具有同等的信息量，此前仍不确定。

我们借助内部改造的计算程序，基于高度准确且公开可得的 HapMap SNP 数据库（r21a），并采用最小等位基因频率（minor allele frequency，MAF）≥0.45 的阈值，对 3,905,819 个 SNP 完成了全基因组筛查，在四个人群（犹他白人、汉族中国人、东京日本人、尼日利亚约鲁巴人）中识别出 1439 个具有高杂合度与低 F_st 值的 SNP。我们用焦磷酸测序（pyrosequencing）技术，在一组样本量相对较大的样本中研究了六个位点，以确定这些位点是否像 HapMap 数据所提示的那样具有信息量。就杂合度与 F_st 而言，这些 SNP 在汉族人群中的表现与预期一致。这 1439 个已识别的 SNP 应当能为个体识别与亲缘关系鉴定提供一套全面而可靠的位点。

这篇在轨迹里的位置

先把它放回 2010 年。那时法医 DNA 鉴定已经有成熟体系：短串联重复加 CODIS 数据库，十几个位点就能把两个无关个体分开，检材稍微降解也能做出结果。SNP 的优势不在这里。单个 SNP 只有两个等位基因，信息量远小于一个多等位基因的 STR，要抵得上一套 STR，得几十上百个 SNP 一起上。但 SNP 的扩增子可以做到很短，几十个碱基就行——对烧过、泡过、埋过几年的检材，这一点是决定性的。所以真正的问题不是“SNP 好不好”，而是“去哪找这么一套位点”。

这一页就是去找。思路很朴素：如果能从公开的人群数据里算出一批“在各个人群里都常见、频率又彼此接近”的位点，就不必一个个去试。它过了 3,905,819 个 SNP，最后留下 1439 个，然后拿焦磷酸测序在汉族人群里实测了其中 6 个。这是一个“先算、后验”的两段式研究：算的部分给出候选池，验的部分只抽查池子里的一小勺。

往前看，本专区没有更早的页面——它就是起点，问题还没被切开。往后看有两条线：02 页（2012）把同一套思路推到 14 个人群，检验“全球通用”这句话能不能兑现；03 页（2011）是另一条线的开头，不问你这段 DNA 属于谁，而问这个人的基因型会让一种药怎么走。注意 03 比 02 早一年发表，却排在后面——这个专区的排序按的是问题，不是年份。这一次转向值得单独记住：01 和 02 里“低 F_st 才能全球通用”的算术，和 03 之后“这个位点在人群里频率多少才值得测”的算术，是同一套。

一句我想让你记住的方法论：这篇文章真正的贡献不是那 1439 个位点，而是“用公开数据库做先验筛选、再用少量实验验证”这个两段式设计。从 04 页开始你会看到它在药物基因组学里反复出现——先查数据库里的频率，再决定测哪几个位点。

方法与证据：它是怎么做的

三步。第一步取数据：HapMap 计划（国际单倍型图谱计划）的公开 SNP 数据库 r21a。这是一份附带各个人群等位基因频率的公开数据，也是当时唯一同时覆盖欧洲、东亚、非洲人群且频率公开的资源。注意这一步的性质：所有频率都是别人测好的，作者只是使用者。

第二步筛，三条门槛一起用：最小等位基因频率 ≥0.45，保证在每个位点上两个等位基因几乎各占一半、杂合度接近最高；F_st 低，保证四个人群之间同一位置的频率接近，位点不会“换个国家就失效”；再加上杂合度高这一条。三条一起压，3,905,819 个位点只剩 1439 个。这个压缩比本身就是一条结论——我用摘要给的两个数算了一下：1439 ÷ 3,905,819 ≈ 1/2700，也就是说绝大多数 SNP 并不满足“全球都常见、且频率彼此接近”。

第三步验：焦磷酸测序，六个位点，“一组样本量相对较大的样本”。摘要只给了结果的方向——这六个位点在汉族中的杂合度与 F_st 与 HapMap 的预期一致。样本多少例、位点叫什么名字、实测频率与数据库差多少、有没有分型失败，全在正文里，本页读不到。这里必须把话说清楚：本页只译公开摘要，该刊为订阅制，没有开放获取正文；摘要没写的，本页一律写“摘要未说明”，不替它补。

这套设计的逻辑值得单独拎出来：计算筛选是“先验”，实验验证是“抽样检查”。前者决定候选池的边界，后者只证明抽样抽到的那几个没坏，不能证明整个池子都好。摘要最后一句之所以用 should，原因就在这里。

结论的边界

最该盯着的是最后一句的 should。中文常顺手译成“提供了”“建立了”，读者就会以为这套位点已经建成并验证过。作者写的是“应当能”——一个数据库预测加上六个位点的抽查，够支撑这句话，但不够支撑“体系”两个字。

第二，验证覆盖率。6 ÷ 1439 ≈ 0.42%，剩下的 1433 个位点在汉族里到底怎么样，这篇没有回答。02 页才把这件事往前推，而它的推法仍然是“从合格位点里挑 96 个来测”——同样的抽样逻辑，只是样本和人群换了。

第三，人群。摘要里“四个人群”这个说法容易让人以为四个人群都做了实验。实际分工是：筛选阶段用四个人群的频率数据，验证阶段只有汉族。犹他白人、东京日本人、尼日利亚约鲁巴人的结论来自数据库计算，不是这篇的实测。

第四，MAF ≥0.45 是一个取舍。这条门槛保证了通用性，也彻底排除了人群特异性：频率在人群间越接近，位点越能通用，同时对“这个人来自哪个大洲”越没有分辨力。个体识别要求前一件事，祖源推断要求后一件事，同一套位点做不到两件。

第五，数据库的偏倚。HapMap 的位点不是随机抽样，它们是当年为做基因分型芯片而挑出来的常见变异。用 HapMap 做的“全基因组筛查”，继承了这个前提。所以这里的 genome-wide 应读作“HapMap 覆盖范围之内的全基因组”，不等于全基因组。

你可以拿去用的

1. 看到“位点组合（panel）”，先问三个数：多少个位点、每个位点在目标人群的频率、位点之间是否独立。这三个数决定鉴别力，缺一个都判断不了。
2. 写方法学时把“计算筛选”和“实验验证”分成两段写——数据库版本、阈值、筛选工具；验证平台、样本来源、例数、一致性。混成一段，等于把两种证据等级的活拉平了，审稿人会认为你在模糊。
3. 组会上可以问一句“这个位点在你们样本里的频率是多少”。如果对方答的是文献值，那和“我们样本里测出来是多少”是两件事——01 和 02 两页做的全部工作，就是在处理这个差别。
4. 想练手的话，HapMap 的频率表是公开的：自己按 MAF ≥0.45、跨人群 F_st 低这两个条件筛一遍，看看能不能复现 1439 这个量级。这是最便宜的一次“重复别人的筛选”，也是你第一次真正摸到“位点选择”这件事。

附录 · 英文原文