R语言画全基因组关联分析中的曼哈顿图(manhattan plot)
1、在linux中安装好R
2、准备好画曼哈顿图的R脚本即manhattan.r,manhattan.r内容如下:
#!/usr/bin/Rscript
#example : Rscript plot_manhatom.r XXX.assoc XXX.pdf
argv <- commandArgs()
#define the function to plot the manhatton and quantitle-quantitle plot
plot_manhatton<-function(site_file,save_file){
read.table(site_file,header=T)->data
data<-data[which(data[,5]=="ADD"),]
logp=-log10(data[,9]) #value
chr=data[,1] #chr
position<-data[,3] #position
# xaxis=0
sig=numeric()
lab=numeric()
flogp=numeric();
the_col=c("darkblue","gray"); #chr class
whole_col=c()
xlabel=numeric();
length_add=0
label=numeric();
for(i in 1:22){
position[chr==i]->chr_pos
chr_pos<-chr_pos-chr_pos[1]+17000000
chr_num=length(chr_pos)
cat("For chrosome",i,",Num of SNPs:",chr_num,"\n")
if(length(chr_pos)==0){
next
}
flogp=c(flogp,logp[chr==i])
label=c(label,i)
whole_col=c(whole_col,rep(the_col[i%%2+1],chr_num))
chr_pos=length_add+chr_pos
xlabel=c(xlabel,chr_pos)
length_add=sort(chr_pos,decreasing=T)[1]
lab=c(lab,(chr_pos[1]+length_add)/2)
}
png(save_file,height=500,width=600)
par(mar=c(5,6,4,2))
plot(xlabel,flogp,col=whole_col,axes=F,xlab="",ylab="",ylim=c(0,12),pch=20,cex=0.5,cex.lab=1.2,cex.axis=1.4)#ylim=c(0,6)
significance=-log10(0.05/length(data[,1]))
sig_pos<-xlabel[which(flogp>significance)]
for(i in 1:length(sig_pos)){
sig<-c(sig,which(xlabel>sig_pos[i]-60000 & xlabel<sig_pos[i]+60000))
}
sig<-unique(sig)
cat("significant signal:",sig[10:20],"\n")
points(xlabel[sig],flogp[sig],col="red",pch=20,cex=0.5)
title(xlab="Chromosome",ylab=expression(-log[10]*(p)),cex.lab=1.4)
# title(xlab="Chromosome",ylab="Score",cex.lab=1.8)
# title("GWAS scan for Hair curl", cex.main=2.5)
# yaxis=seq(0,1,by=0.1)
# axis(2,yaxis,yaxis,las=1,cex.axis=1.5,line=-2)
axis(2,las=2,cex.axis=1.4)
#las can change the directory of the axis character
#las=0 always parallel to the axis
#las=2 always horizontal
for(i in 1:22){
mtext(label[i],side=1,at=lab[i],las=0,font=1,cex=0.8)
#cex magnified relative to the to the default
}
# mtext("X",side=1,at=x[23],las=0,font=1,cex=1.4)
# mtext("Y",side=1,at=x[24],las=0,font=1,cex=1.4)
# axis(1,x,as.character(label),tick=TRUE,font=1)
par(lty=2)
abline(h=significance,cex=1.5,col="red")
#plot the QQ plot
# par(fig=c(0.58,0.92,0.43,0.95),new=TRUE)
# observed <- sort(data[,12])
# logp=-log10(observed)
# expected <- c(1:length(observed))
# lexp <- -(log10(expected / (length(expected)+1)))
# plot(x=lexp,y=logp,pch=19,cex=0.6, xlab="Expected (-logP)", ylab="Observed (-logP)",cex.lab=1.2,cex.axis=1.2)
# abline(0,1,col="red",lwd=2,lty=1)
dev.off()
}
site_file<-argv[6];print(site_file)
save_file<-argv[7];print(save_file)
plot_manhatton(site_file,save_file)
#round(x,digits=3) keep the length of the digit
3、准备好plink跑完后的.assoc.linear文件,比如mydata.assoc.linear
4、在linux中输入以下一个命令:
其中,mydata.png即为我们想要的曼哈顿图(manhattan plot)
Rscript manhattan.r mydata.assoc.linear mydata.png
R语言画全基因组关联分析中的曼哈顿图(manhattan plot)的更多相关文章
- 全基因组关联分析(Genome-Wide Association Study,GWAS)流程
全基因组关联分析流程: 一.准备plink文件 1.准备PED文件 PED文件有六列,六列内容如下: Family ID Individual ID Paternal ID Maternal ID S ...
- 全基因组关联分析(GWAS)的计算原理
前言 关于全基因组关联分析(GWAS)原理的资料,网上有很多. 这也是我写了这么多GWAS的软件教程,却从来没有写过GWAS计算原理的原因. 恰巧之前微博上某位小可爱提问能否写一下GWAS的计算原理. ...
- GWAS 全基因组关联分析 | summary statistic 概括统计 | meta-analysis 综合分析
有很多概念需要明确区分: 人有23对染色体,其中22对常染色体autosome,另外一对为性染色体sex chromosome,XX为女,XY为男. 染色体区带命名:在标示一特定的带时需要包括4项:① ...
- 【GWAS文献解读】疟原虫青蒿素抗药性的全基因组关联分析
英文名:Genetic architecture of artemisinin-resistant Plasmodium falciparum 中文名:疟原虫青蒿素抗药性的全基因组关联分析 期刊:Na ...
- GWAS | 全基因组关联分析 | Linkage disequilibrium (LD)连锁不平衡 | 曼哈顿图 Manhattan_plot | QQ_plot | haplotype phasing
现在GWAS已经属于比较古老的技术了,主要是碰到严重的瓶颈了,单纯的snp与表现的关联已经不够,需要具体的生物学解释,这些snp是如何具体导致疾病的发生的. 而且,大多数病找到的都不是个别显著的snp ...
- 全基因组关联分析(GWAS):为何我的QQ图那么飘
前段时间有位小可爱问我,为什么她的QQ图特别飘,如果你不理解怎样算飘,请看下图: 理想的QQ图应该是这样的: 我当时的第一反应是:1)群体分层造成的:2)表型分布有问题.因此让她检查一下数据的群体分层 ...
- 一行命令学会全基因组关联分析(GWAS)的meta分析
为什么需要做meta分析 群体分层是GWAS研究中一个比较常见的假阳性来源. 也就是说,如果数据存在群体分层,却不加以控制,那么很容易得到一堆假阳性位点. 当群体出现分层时,常规手段就是将分层的群体独 ...
- 全基因组关联分析(GWAS)扫不出信号怎么办(文献解读)
假如你的GWAS结果出现如下图的时候,怎么办呢?GWAS没有如预期般的扫出完美的显著信号,也就没法继续发挥后续研究的套路了. 最近,nature发表了一篇文献“Common genetic varia ...
- 全基因组关联分析学习资料(GWAS tutorial)
前言 很多人问我有没有关于全基因组关联分析(GWAS)原理的书籍或者文章推荐. 其实我个人觉得,做这个分析,先从跑流程开始,再去看原理. 为什么这么说呢,因为对于初学者来说,跑流程就像一个大黑洞,学习 ...
随机推荐
- jsonp与JAVA的配合使用
一.客户端 <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w ...
- C 程序解决实际文件案例
1,C程序参数(编写带参数 的C--argc,argv[]程序),带参数的Main程序 程序功能说明: 把命令行参数中的前一个文件名标识 的文件,复制到后一个文件名标识的文件中,如只有一个则把该文件写 ...
- Mac与Phy组成原理的简单分析
1. general 下图是网口结构简图.网口由CPU.MAC和PHY三部分组成.DMA控制器通常属于CPU的一部分,用虚线放在这里是为了表示DMA控制器可能会参与到网口数据传输中. 对于上述的三部分 ...
- Debug 常见问题总结(持续更新)
2016-9-24 1.for循环变量做参数一定要小心,嵌套一个for变量不要用同一个. 2.字符串处理要打好下标的草稿,不然很容易搞混.(方法待讨论). 3.整形比较比较容易忽略=的问题 ,> ...
- .NET 工具类ObjectDumper 打印对象
// Comes from the LINQ samples provided by Microsoft //Copyright (C) Microsoft Corporation. All righ ...
- 仿google art图片预览算法及demo(iphone/安卓版本)
演示地址:用手机扫描二维码(手机端浏览) 功能:双击放大,单指操作拖动,双指操作放大缩小.
- thinkPHP--SQL查询
一.查询方式 ThinkPHP 提供了三种基本的查询方式:字符串条件查询.索引数组条件查询和对象条件查询. 在大多数情况下,推荐使用索引数组和对象方式作为查询条件,因为会更加安全 1.使用字符串作为条 ...
- hive中拉链表
在有些情况下,为了保持历史的一些状态,需要用拉链表来做,这样做目的在可以保留所有状态的情况下可以节省空间. 拉链表适用于以下几种情况吧 数据量有点大,表中某些字段有变化,但是呢变化的频率也不是很高,业 ...
- Buffer Cache
Buffer Cache Buffer Cache是SGA区中专门用于存放从数据文件中读取的的数据块拷贝的区域.Oracle进程如果发现需要访问的数据块已经在buffer cache中,就直接读写内存 ...
- Nginx使用Expires增加浏览器缓存加速
Max-age是指我们的web中的文件被用户访问(请求)后的存活时间,是个相对的值,相对Request_time(请求时间). Expires它比max-age要麻烦点,Expires指定的时间分&q ...