预 GWAS 阶段的基因型数据 QC 流程

在进行全基因组关联研究（GWAS）前，数据质量的控制（QC）是至关重要的一步。

预处理和质量控制可以确保我们使用的数据集干净、可靠，避免潜在的偏倚和错误。这里，我们将介绍如何在 GWAS 前进行基因型数据的 QC，确保数据的准确性和可靠性。

1. 计算缺失率（Missing Rate）与呼叫率（Call Rate）

在 GWAS 分析中，缺失数据可能会影响结果的准确性。基因型数据的质量首先需要评估每个样本和每个 SNP 的缺失率。

缺失率表示某个样本在所有标记位点的基因型缺失的比例；呼叫率表示某个 SNP 在所有样本中的基因型被成功识别的比例。样本缺失率：样本的基因型数据可能因技术问题、平台差异等因素缺失，需要计算每个样本的缺失率，并根据预设的阈值剔除缺失过多的样本。SNP 呼叫率：类似地，每个SNP的呼叫率需要计算。如果某些 SNP 在大多数样本中都没有成功呼叫，可以考虑排除这些 SNP。

在 PLINK 中，可以使用以下命令来计算样本的缺失率和 SNP 的呼叫率：

plink --bfile ${genotypeFile} --missing --out plink_missing

2. 计算等位基因频率（Allele Frequency）

等位基因频率是 GWAS 中重要的统计量，它表示某个特定等位基因在样本中的出现频率。为了确保我们分析的是常见的变异，我们通常会设置最小等位基因频率（MAF）阈值。通常，筛选出 MAF 低于 1% 的 SNP 是合理的，因为低频变异可能会增加假阳性。

在 PLINK 中，计算等位基因频率非常简单：

plink --bfile ${genotypeFile} --freq --out plink_freq

3. Hardy-Weinberg 平衡精确检验（Hardy-Weinberg Equilibrium Test）

Hardy-Weinberg 平衡（HWE）检验是 GWAS 中常用的一种质量控制手段。根据 HWE 定律，如果一个群体处于均衡状态，则基因型的分布应该符合预期的频率。如果某个 SNP 的基因型偏离了 HWE，可能是因为样本污染、系统性错误或者是与某些表型相关的变异。通常，对于病例对照研究，HWE检验的p值阈值设定为$10^{-6}$。

使用 PLINK 执行 HWE 检验：

plink --bfile ${genotypeFile} --hwe 1e-6 --out plink_hwe

4. LD-Pruning

连锁不平衡（LD）修剪是为了去除那些高度相关的 SNP，减少冗余，确保分析中使用的 SNP 具有独立性。若 SNP 之间存在高度的 LD，它们可能会影响 GWAS 结果的准确性。通常使用 LD-pruning 来去除相关性高的 SNP。

在 PLINK 中，常用的 LD-pruning 命令如下：

plink --bfile ${genotypeFile} --indep-pairwise 50 5 0.2 --out plink_results

该命令会根据给定的窗口大小（50 个 SNP）、步长（每次移动 5 个 SNP）和 $r^{2}$ 阈值（0.2），进行 LD 修剪。

5. 计算近交系数 F（Inbreeding F coefficient）

近交系数 F（F coefficient）用于衡量样本中的近交程度。较高的 F 值可能表示样本存在近交，而较低的 F 值可能表示样本污染。计算 F 值时，可以使用 PLINK 的 --het 命令，它会生成每个样本的观测和期望纯合子基因型数量，并计算 F 值。

plink --bfile ${genotypeFile} --het --out plink_results

输出结果中，F 值较高的样本可以考虑进一步检查或排除。常见的处理方法是将 F 值超过 3 个标准差（SD）的样本排除。

6. 数据管理（make-bed / recode）

为了便于后续分析，PLINK 提供了多种数据格式转换工具。最常用的格式是 BED 格式，它是 PLINK 的二进制格式，能够大大提高存储和计算效率。make-bed 将原始的 PED/MAP 文件转换为 BED 格式。通常在预处理数据时使用该命令。

plink --bfile ${genotypeFile} --make-bed --out plink_bed

bash

recode 如果你需要将数据转回 PED 格式或其他格式，可以使用 recode 命令。

plink --bfile ${genotypeFile} --recode --out plink_recode

这些命令帮助将数据从一种格式转换为另一种格式，确保数据可以被其他分析工具有效读取。

总结

基因型数据的 QC 是 GWAS 分析中的基础步骤，它确保数据的可靠性和准确性。通过执行上述步骤，你可以在 GWAS 分析前排除掉缺失值过多、低频变异、偏离 Hardy-Weinberg 平衡的 SNP，以及冗余的高度 LD SNP。高质量的数据是可靠分析的前提，只有确保数据质量，才能得出科学、可靠的结果。

--- title: "\u9884 GWAS \u9636\u6BB5\u7684\u57FA\u56E0\u578B\u6570\u636E QC \u6D41\u7A0B" date: 2024-12-24 description: genotype data QC image: https://cdn.jsdelivr.net/gh/Leslie-Lu/WeChatOfficialAccount/img/202412241722219.png categories: - plink - gwas - bioinformatics - genotype data - qc format: html: shift-heading-level-by: 1 include-in-header: - text: "<style type=\"text/css\">\nhr.dinkus {\n width: 50px;\n margin:\ \ 2em auto 2em;\n border-top: 5px dotted #454545;\n}\n\ndiv.column-margin+hr.dinkus\ \ {\n margin: 1em auto 2em;\n}\n</style>" --- 在进行全基因组关联研究（GWAS）前，数据质量的控制（QC）是至关重要的一步。预处理和质量控制可以确保我们使用的数据集干净、可靠，避免潜在的偏倚和错误。这里，我们将介绍如何在 GWAS 前进行基因型数据的 QC，确保数据的准确性和可靠性。 ## 1. 计算缺失率（Missing Rate）与呼叫率（Call Rate）在 GWAS 分析中，缺失数据可能会影响结果的准确性。基因型数据的质量首先需要评估每个样本和每个 SNP 的缺失率。缺失率表示某个样本在所有标记位点的基因型缺失的比例；呼叫率表示某个 SNP 在所有样本中的基因型被成功识别的比例。样本缺失率：样本的基因型数据可能因技术问题、平台差异等因素缺失，需要计算每个样本的缺失率，并根据预设的阈值剔除缺失过多的样本。SNP 呼叫率：类似地，每个SNP的呼叫率需要计算。如果某些 SNP 在大多数样本中都没有成功呼叫，可以考虑排除这些 SNP。在 PLINK 中，可以使用以下命令来计算样本的缺失率和 SNP 的呼叫率： ```{bash} plink --bfile ${genotypeFile} --missing --out plink_missing ``` ## 2. 计算等位基因频率（Allele Frequency）等位基因频率是 GWAS 中重要的统计量，它表示某个特定等位基因在样本中的出现频率。为了确保我们分析的是常见的变异，我们通常会设置最小等位基因频率（MAF）阈值。通常，筛选出 MAF 低于 1% 的 SNP 是合理的，因为低频变异可能会增加假阳性。在 PLINK 中，计算等位基因频率非常简单： ```{bash} plink --bfile ${genotypeFile} --freq --out plink_freq ``` ## 3. Hardy-Weinberg 平衡精确检验（Hardy-Weinberg Equilibrium Test） Hardy-Weinberg 平衡（HWE）检验是 GWAS 中常用的一种质量控制手段。根据 HWE 定律，如果一个群体处于均衡状态，则基因型的分布应该符合预期的频率。如果某个 SNP 的基因型偏离了 HWE，可能是因为样本污染、系统性错误或者是与某些表型相关的变异。通常，对于病例对照研究，HWE检验的p值阈值设定为$10^{-6}$。使用 PLINK 执行 HWE 检验： ```{bash} plink --bfile ${genotypeFile} --hwe 1e-6 --out plink_hwe ``` ## 4. LD-Pruning 连锁不平衡（LD）修剪是为了去除那些高度相关的 SNP，减少冗余，确保分析中使用的 SNP 具有独立性。若 SNP 之间存在高度的 LD，它们可能会影响 GWAS 结果的准确性。通常使用 LD-pruning 来去除相关性高的 SNP。在 PLINK 中，常用的 LD-pruning 命令如下： ```{bash} plink --bfile ${genotypeFile} --indep-pairwise 50 5 0.2 --out plink_results ``` 该命令会根据给定的窗口大小（50 个 SNP）、步长（每次移动 5 个 SNP）和 $r^{2}$ 阈值（0.2），进行 LD 修剪。 ## 5. 计算近交系数 F（Inbreeding F coefficient）近交系数 F（F coefficient）用于衡量样本中的近交程度。较高的 F 值可能表示样本存在近交，而较低的 F 值可能表示样本污染。计算 F 值时，可以使用 PLINK 的 `--het` 命令，它会生成每个样本的观测和期望纯合子基因型数量，并计算 F 值。 ```{bash} plink --bfile ${genotypeFile} --het --out plink_results ``` 输出结果中，F 值较高的样本可以考虑进一步检查或排除。常见的处理方法是将 F 值超过 3 个标准差（SD）的样本排除。 ## 6. 数据管理（make-bed / recode）为了便于后续分析，PLINK 提供了多种数据格式转换工具。最常用的格式是 BED 格式，它是 PLINK 的二进制格式，能够大大提高存储和计算效率。`make-bed` 将原始的 PED/MAP 文件转换为 BED 格式。通常在预处理数据时使用该命令。 ```{bash} plink --bfile ${genotypeFile} --make-bed --out plink_bed ``` bash `recode` 如果你需要将数据转回 PED 格式或其他格式，可以使用 `recode` 命令。 ```{bash} plink --bfile ${genotypeFile} --recode --out plink_recode ``` 这些命令帮助将数据从一种格式转换为另一种格式，确保数据可以被其他分析工具有效读取。 ## 总结基因型数据的 QC 是 GWAS 分析中的基础步骤，它确保数据的可靠性和准确性。通过执行上述步骤，你可以在 GWAS 分析前排除掉缺失值过多、低频变异、偏离 Hardy-Weinberg 平衡的 SNP，以及冗余的高度 LD SNP。高质量的数据是可靠分析的前提，只有确保数据质量，才能得出科学、可靠的结果。