CEGA是一个基于C语言开发的比较基因组自然选择的工具。
GB CEGA原始文献
https://github.com/ChenHuaLab/CEGA
特点：可以计算亲缘关系很近或最近才分化的物种之间的正选择。可以计算编码区和非编码区。
直接从github下载后，make编译即可。
测试使用demo数据
CEGA-InSel -i1 testdata_species1.vcf -i2 testdata_species2.vcf -t 10 -o test.results.out
输出结果解析
less -S test.results.out
Global parameters: N0=20854.363918 N1=39370.574951 N2=19587.646723 T=39736.938477
chr1:23-10022 s1=75/74.23 s2=35/33.11 s12=0/1.20 D=9/10.17 mu=0.000302 lambda1=1.036823 lambda2=0.793748 nlambda1=-0.049618 p1=4.802132e-01 nlambda2=-0.630523 p2=2.641761e-01
输出的结果文件一共有12列，每列的格式和意义如下：
- window position
chr1:23-10022 - polymorphic sites within species 1 物种1的多态性位点
s1=75/74.23 - polymorphic sites within species 2
s2=35/33.11 - shared polymorphic sites of both species 1 and 2
s12=0/1.20 - divergent sites
D=9/10.17 - mutation rate
mu=0.000302 - lambda1
lambda1=1.036823 - lambda2
lambda2=0.793748 - normalized lambda1
nlambda1=-0.049618 - p-value 1
p1=4.802132e-01 - normalized lambda2
nlambda2=-0.630523 - p-value 2
p2=2.641761e-01
作者论文中提到，原始的lambda的分布不符合正态分布，经过标准化之后的normalized lambda符合正态分布。
CEGA里提到的划分
- 正选择的依据是normalized lambda <-3.2905,
- 平衡选择是normalized lambda >3.2905
Windows with a normalized λ
value < − 3.2905 were identified as under positive selection, and windows with a normalized λ
value > 3.2905 were identified as under balancing selection.
深入分析人类和大猩猩的基因组差异数据
作者分析的步骤：
排除具有串联重复、片段重复、基因组缺口和结构变异的基因组片段。
- 先排除基因组编码基因和上下游10Kb的区间
- 基因组滑动窗口，窗口长度为10kb,步长为1kb, 质量过滤后长度小于2kb的窗口被舍弃。
使用S1+S2+S12+D<50的也被舍弃。 - 根据normalized lambda >3.2905 是平衡选择，normalized lambda < -3.2905是正选择。
正选择（positive selection）:突变的个体所占的比例随着繁衍代数的增加而而不断上升。
平衡选择（balancing selection）：突变的个体所占的比例随着繁衍代数的增加不变化。
弱负向选择(weak negativeselection)：突变的个体所占的比例随着繁衍代数增加而逐渐减少。如果是强负向选择，那可能就是有害或致死突变了，后代可能就不会正常存活。
运行的参数命令
CEGA-InSel -i1 MHC_human.vcf.gz -i2 MHC_chimpanzee.vcf.gz -N0 30000.0 24000.0 42000.0 -mu 2.5e-8 -t 30 -d 50 -wf wf_MHC.txt -wf_g wf_g_MHC.txt -o result_MHC.out
参数说明
-i1 群体1的变异文件 .vcf/.vcf.gz/.tped/.hap
-i2 群体2的变异文件
-p1 群体1的位置文件，只有变异文件是.hap格式时，才需要此参数
-p2 群体2的位置文件，只有变异文件是.hap格式时，才需要此参数
-o 设置输出文件名
可选参数：
-N0 初始，下限，上限
-mu 每代的碱基突变率miu，默认是2.5e-8
-t 使用的进程数量
-d 设置过滤S1+S2+S12+D<的值，默认是0
-wf
-wf_g 设置bed格式的start end length
-ws 设置windowsize,stepsize,默认分别是10000 1000 ,该参数和-wf,-wf_g互斥。只需要一个即可。
