GWAS研究中样本数量和结果真实有效性之间是怎样的？

Posted 2023-04-30

GWAS原理部分可以参考Fisher\'s exact test，把链接里的例子中，男人/女人替换成有病/没病，节食替换成SNP/CNV，给出的p值表示SNP与疾病如果是完全独立的，那么由随机分布导致的odd ratio比现在更显著的概率。1e-8的p值可能看起来很显著，但考虑到人类的SNP数量可能在千万级，综合Multiple comparisons problem的校正的话，那么这个p值一点都不显著。这就是一个由数据得出结论的纯统计问题，说不上什么硬伤，花精力啃下多重检验校正和假阳性率的统计资料。人类的GWAS热潮已过了，要说有什么效果的话，就是砸了钱打了不少水漂，得到的结果相对投入来讲，寥寥。农业上GWAS现在很热，原因一方面取样比人简单，性状也容易标准化，且大多只当作一个育种筛选的分子marker，很少再继续研究功能的。要做SNP的话，技术有很多，主要划分是考虑通量与成本。测序做SNP主要是resequencing做新SNP发现这块。二代是主要手段，因为成本。三代的优势在于，当需要考虑phasing信息，即数kb片段内的SNP位点连锁信息时，是唯一的选择。resequencing是resequencing，de novo是de novo，这是两个问题，de novo一律都是选片段长的效果更好，当然考虑成本的话，大家都懂。做复杂的结构变异的话，在不同的尺度上有不同的技术，二代理论上都可以做，但实际上在每个特定尺度下，都不是最好的选择。做拷贝数变异的话，那么最好的技术，是OncoScanHD(芯片)上使用的倒置探针技术，线性范围可以到50倍。简单的串联重复到数kb内的变异，三代优势项目。数十kb到兆b级的，最佳技术是Bionano Irys光学图谱系统，再大的话，手段就更多了。单倍型解析主要依赖的是高质量的SNP数据库，程序算法之类的话，考虑性能和通量其实也就那几个可以选。

参考技术A

“取到足够低的P值”本身不是目的，目的是“检测到统计上可信的效应”。我觉得这部分属于Power Analysis的范畴：检测一个效应时，为了达到一定的可信度（比如说用P值来度量可信度），如果随机干扰越大，效应越小，需要的样本量就越大。需要多大的样本是可以通过公式估算的。GWAS研究中随机干扰往往很大。可能的干扰包括遗传背景的不同，环境效应的不同等等。如果题主所说的疾病/体质有人研究过遗传力/遗传参数，可以对这个随机干扰的大小有个初步的估计。假如世界上只有两个人名字叫做“就我们俩”，然后全世界只有他们两个得了某种叫做“很少见的病”的病，楼主敢相信这种病是由于这个名字造成的吗？这里讨论的并不是“名字究竟会不会致病”，而是“一个统计上极高的关联”究竟能够代表什么。

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 removesample.txt --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