GWAS基因芯片数据预处理：质量控制（quality control）

一、数据为什么要做质量控制

比起表观学研究，GWAS研究很少有引起偏差的来源，一般来说，一个人的基因型终其一生几乎不会改变的，因此很少存在同时影响表型又影响基因型的变异。但即便这样，我们在做GWAS时也要去除一些可能引起偏差的因素。

这种因素主要有：群体结构、个体间存在血缘关系、技术性操作。

二、怎么看数据是否需要进行质量控制

下面分别为样本和SNP位点在数据中的直方图，当数据不在绝大多数的分布当中时，我们会倾向于认为那是测序、人工操作等其他方面造成的误差，而非该个体的真实情况，因此是需要将这些样本和位点过滤掉的。

这个阈值的设定并没有一个金标准，可参考往年发表的文献的常用阈值。

1、样本过滤阈值的设定

2、SNP过滤阈值的设定

三、怎么进行质量控制

质量控制包括两个方向，一个是样本的质量控制，一个是SNP的质量控制

1、样本的质量控制

样本的质量控制包括：缺失率、杂合性、基因型性别和记录的性别是否一致。

1）检测缺失率，通常情况下，将样本缺失率大于5%的个体去除

plink --bfile file --mind 0.05 --make-bed --out file_mind

　　

2）检测杂合性

plink --bfile file --het --make-bed --out file_het

　　

3) 检测性别不一致的个体

plink --bfile file --check-sex --make-bed --out file_checksex

　　

4）去除不符合的样本

将1-3）获得不符合的样本去除

plink --bfile file --remove removesample.txt --make-bed --out file_qcsample

　　

removesample.txt的格式如下：

FID IID

ASN ind1

ASN ind2

2、SNP位点的质量控制

SNP位点的质量控制包括：MAF值、call出率、Hardy-Weinberg Equilibrium

其命令见如下：

plink --bfile file_mind_file_qcsample --hwe 0.00001 --geno 0.02 --maf 0.01 --make-bed --out file_qcsample_snp

　　

--hwe指的是不符合哈温伯格平衡的SNP位点，P值小于0.00001；

--geno指的是基因型缺失率大于2%的样本；

--maf指的是次等位基因频率低于1%的SNP位点；

最后，会得出干净的SNP和样本。

文中图片出处：

https://jvanderw.une.edu.au/Mod2Lecture_PLINK.pdf