GWAS分析基本流程及分析思路

1. 数据预处理（DNA genotyping、Quality control、Imputation）

QC的工作可以做PLINK上完成Imputation的工作用IMPUTE2完成

2. 表型数据统计分析

• 逻辑回归（表型数据为二元）

• 线性回归（表型数据为连续性变量）

• 表型数据正态分析（如果不是正态分布，需转换处理为正态分布）

• 表型数据均值、中值、最大值、最小值

• 影响因子对表型的影响分析

3.画曼哈顿图（GWAS）和QQ plot图

• (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 IDIndividual IDPaternal IDMaternal IDSex (1=male; 2=female; other=unknown)PhenotypePED文件是空格（空格或制表符）分隔的文件。

• （2）、准备MAP文件

  

  MAP文件有四列，四列内容如下：chromosome (1-22, X, Y or 0 if unplaced)rs# or snp identifierGenetic distance (morgans)Base-pair position (bp units)

• （3）、生成bed、fam、bim、文件
  在plink中输入命令：plink --file mydata --out mydata --make-bedplink指的是plink软件，如果软件安装在某个指定的路径的话，前面还要加上路径，比如安装在路径为/your/pathway/的文件夹下，则命令应该为“/your/pathway/plink --file mydata --out mydata --make-bed”mydata指的是1和2生成的PED和MAP文件名，不需要写.ped和.map后缀

• （二）、准备表型文件（Alternate phenotype files）

  

  一般表型文件为txt格式，表型文件有三列，分别为：Family IDIndividual IDPhenotype假如有多种表型，第一列和第二列还是Family ID、Individual ID，第三列及以后的每列都是表型，例如以下：Family IDIndividual IDPhenotype APhenotype BPhenotype CPhenotype DPhenotype E……

• （三）、准备协变量文件（Covariate files）

  

  协变量文件同表型文件类似，第一列和第二列是Family ID、Individual ID，第三列及以后的每列都是协变量Family IDIndividual IDCovariate ACovariate BCovariate CCovariate DCovariate E……

• （四）、plink进行表型和基因型以及协变量的关联分析

  

  命令如下：plink --bfile mydata --linear --pheno pheno.txt --mpheno 1 --covar covar.txt --covar-number 1,2,3 --out mydata –noweb生成的文件为mydata.assoc.linear注：“mydata”mydata文件不需要后缀，“--mpheno 1”指的是表型文件的第三列（即第一个表型）“--covar-number 1,2,3”指的是协变量文件的第三列、第四列、第五列（即第一个、第二个、第三个协变量）“--linear”指的是用的连续型线性回归，如果表型为二项式（即0、1）类型，则用“--logistic”

• （五）、画曼哈顿图(GWAS)图

  

  安装R语言的CpGassoc包，其中的manhattan()，即可画曼哈顿图

• （六）、画QQ plot图

  

  R语言中的 qqnorm() 和 qqplot() 包提供了QQ plot的画法，具体自行搜索用法；

4. GWAS进阶分析

• 群体分层分析，Population Stratification

  

  如果研究的群体是混合群体，遗传异质性高，存在群体分层现象，易造成实验的误差或者检测出假阳性位点。因此检测群体分层对效应值的影响是非常必要的。

• 不同群体重复验证分析，Replication

  

• Regional association plots

  
  用LocusZoom(http://csg.sph.umich.edu/locuszoom/)画出来的

• 相似条件分析，Approximate conditional analysis

  

  相似条件分析的目的是，去掉lead SNPs后，再跑一次GWAS关联分析，以此找到更多有强关联的信号。

• 连锁不平衡得分评估表型间遗传相关性，Linkage-disequilibrium score regression

  

  遗传相关性 genetic correlation， 这是指在杂种群体表型间的相关性中，由基因型所产生的相关性。遗传相关是仅由遗传原因引起的相关。

• 基因富集分析，Gene setenrichment analysis

  

  从文献，GTEX、 GEUVADIS等据数据找到与 Lead SNPs 关系很大的基因、变异等，以及与 Lead SNPs 连锁不平衡分析r2大于0.8的SNP，则这些SNP的基因可以作为候选基因。汇总了所有的候选基因后，在GOTERM、KEGG、Panther等数据库分析这些候选基因的富集分析。

• 层次聚类分析，Hierarchicalclustering

  

  层次聚类分析的作用是更进一步看出研究的表型相关的 lead SNPs与其他表型的相关性；

• 蛋白质-蛋白质互作网络分析，Protein–proteininteraction network analyses

  

  蛋白质互作网络的目的是看哪些蛋白共同调控了表型

• Point ofcontact analyses

  

  Point of contact analyses的作用是哪些位点导致了表型间有相关性

• 参考文献：
  Horikoshi, Momoko, et al. "Genome-wide associations for birth weight and correlations with adult disease." Nature 538.7624 (2016): 248.
  Okbay A, Beauchamp J P, Fontana M A, et al. Genome-wide association study identifies 74 loci associated with educational attainment[J]. Nature, 2016, 533(7604): 539.