GWAS 前 PCA 步骤详解 | Zhen Lu

基因组广泛关联研究（GWAS）旨在探索遗传变异与表型特征之间的关系，但由于群体结构（即不同人群间的遗传差异）和样本亲缘关系的影响，可能会导致假阳性或假阴性结果。为了控制这些偏差，主成分分析（PCA）成为了 GWAS 前的重要步骤。

这里，我们将详细介绍 GWAS 前 PCA 的原因以及如何通过一系列步骤有效进行 PCA 分析。

为什么要进行 PCA？

1. 去除群体结构的影响

在多种族或多地区样本的 GWAS 中，样本的群体结构可能会影响分析结果。例如，不同的群体可能拥有不同的基因频率，这种结构性差异如果不加以控制，可能会误导结果，导致某些表型与基因变异之间的假相关。

2. 去除亲缘关系的干扰

如果样本中存在亲缘关系（如父母-子女、兄弟姐妹等），这些亲缘关系会增加样本间的相关性，从而影响 GWAS 的准确性。PCA 能够帮助识别并去除这些干扰，确保样本的独立性。

3. 降低计算复杂度

PCA 能够通过减少数据的维度来降低后续分析的计算复杂度，并帮助更清晰地理解数据的结构。

PCA 的步骤

进行 PCA 时，主要分为以下几个关键步骤：

1. LD剪枝（LD-Pruning）

在进行 PCA 前，我们通常会进行 LD 剪枝，即去除那些高度相关（连锁不平衡，LD）变异位点。这样做的目的是减少冗余信息，使得 PCA 能够更准确地反映独立的遗传变异。

在 PLINK 中，可以使用以下命令进行 LD 剪枝：

plink2 --bfile ${genotypeFile} \
       --indep-pairwise 50 5 0.2 \
       --out ${outPrefix}.prune

--indep-pairwise 50 5 0.2 进行 LD 剪枝，窗口大小为 50 个 SNP，步长为 5，LD 阈值为 0.2，表示去除那些与其他 SNP 高度相关的 SNP。--out 指定输出文件的前缀。这将生成一个包含独立 SNP 的文件 ${outPrefix}.prune.in，后续将用于 PCA 计算。

2. 去除亲缘关系样本

PCA 计算时需要去除亲缘关系较近的样本，通常是 2 度以内的亲属。PLINK 的 --king-cutoff 命令可以用来筛选样本，并去除与其他样本亲缘关系过近的样本。

plink2 --bfile ${genotypeFile} \
       --king-cutoff 0.0884 \
       --out ${outPrefix}.king.cutoff

--king-cutoff 0.0884 此命令通过阈值 0.0884（约对应亲缘关系为 2 度的样本）去除亲缘关系过近的样本。这会生成两个文件：plink_results_king.king.cutoff.in.id（保留的样本 ID）和 plink_results_king.king.cutoff.out.id（被排除的样本 ID）。

3. 使用无亲缘关系样本和独立 SNP 进行 PCA

接下来，使用去除亲缘关系的样本和独立 SNP 来运行 PCA。PCA 计算的目的是识别样本间最显著的遗传变异。我们可以使用 PLINK 中的 --pca 命令来进行 PCA 计算。

plink2 --bfile ${genotypeFile} \
       --keep ${outPrefix}.king.cutoff.in.id \
       --extract ${outPrefix}.prune.in \
       --freq counts \
       --threads ${threads} \
       --pca approx allele-wts 10 \
       --out ${outPrefix}.pca

--keep ${outPrefix}.king.cutoff.in.id 指定只使用无亲缘关系的样本，--extract ${outPrefix}.prune.in 指定仅使用经过 LD 剪枝的独立 SNP。--freq counts 计算等位基因频率，--pca approx allele-wts 10 请求进行 PCA 计算，并输出前 10 个主成分的等位基因权重。此命令会生成多个输出文件，包括主成分得分文件（.eigenvec）、主成分方差解释比例文件（.eigenval）等。

4. 将 PCA 结果投影到所有样本

完成 PCA 后，我们可以将主成分的得分投影到所有样本中。这样可以确保即使是在 PCA 分析后没有被直接计算的样本，也能够获得与前几个主成分的关联。

plink2 --bfile ${genotypeFile} \
       --threads ${threads} \
       --read-freq ${outPrefix}.acount \
       --score ${outPrefix}.eigenvec.allele 2 6 header-read no-mean-imputation variance-standardize \
       --score-col-nums 7-16 \
       --out ${outPrefix}_projected

--read-freq ${outPrefix}.acount 读取计算过的等位基因频率，--score ${outPrefix}.eigenvec.allele 2 6 header-read no-mean-imputation variance-standardize 使用主成分分析的结果对所有样本进行投影，--score-col-nums 7-16 指定投影的主成分列。投影后的结果可以用于进一步的 GWAS 分析，确保将群体结构和亲缘关系的影响考虑在内。

5. 分析和解释 PCA 结果

完成 PCA 分析后，我们可以查看每个主成分的解释比例，了解各个主成分对于遗传变异的贡献。通常，前几个主成分会解释大部分的方差，因此我们关注的是这些主成分的贡献。

在 PLINK 的输出文件中，.eigenval 文件包含每个主成分的特征值，这些特征值表示该主成分对于数据方差的贡献比例。通过查看这些值，我们可以判断哪些主成分最能解释数据中的变异。

总结

PCA 是 GWAS 分析中的一个关键步骤，能够有效去除群体结构和亲缘关系的影响，从而提高 GWAS 结果的可靠性和准确性。通过 PCA，我们不仅能去除数据中的噪声，还能更好地理解样本之间的遗传结构，为 GWAS 的成功开展奠定坚实基础。

--- title: "GWAS \u524D PCA \u6B65\u9AA4\u8BE6\u89E3" date: 2024-12-25 description: a typical genomic PCA analysis image: https://cdn.jsdelivr.net/gh/Leslie-Lu/WeChatOfficialAccount/img/202412252318097.png categories: - plink - gwas - bioinformatics - pca 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>" --- 基因组广泛关联研究（GWAS）旨在探索遗传变异与表型特征之间的关系，但由于群体结构（即不同人群间的遗传差异）和样本亲缘关系的影响，可能会导致假阳性或假阴性结果。为了控制这些偏差，**主成分分析（PCA）**成为了 GWAS 前的重要步骤。这里，我们将详细介绍 GWAS 前 PCA 的原因以及如何通过一系列步骤有效进行 PCA 分析。 ## 为什么要进行 PCA？ ### 1. 去除群体结构的影响在多种族或多地区样本的 GWAS 中，样本的群体结构可能会影响分析结果。例如，不同的群体可能拥有不同的基因频率，这种结构性差异如果不加以控制，可能会误导结果，导致某些表型与基因变异之间的假相关。 ### 2. 去除亲缘关系的干扰如果样本中存在亲缘关系（如父母-子女、兄弟姐妹等），这些亲缘关系会增加样本间的相关性，从而影响 GWAS 的准确性。PCA 能够帮助识别并去除这些干扰，确保样本的独立性。 ### 3. 降低计算复杂度 PCA 能够通过减少数据的维度来降低后续分析的计算复杂度，并帮助更清晰地理解数据的结构。 ## PCA 的步骤进行 PCA 时，主要分为以下几个关键步骤： ### 1. LD剪枝（LD-Pruning）在进行 PCA 前，我们通常会进行 LD 剪枝，即去除那些高度相关（连锁不平衡，LD）变异位点。这样做的目的是减少冗余信息，使得 PCA 能够更准确地反映独立的遗传变异。在 PLINK 中，可以使用以下命令进行 LD 剪枝： ```{bash} plink2 --bfile ${genotypeFile} \ --indep-pairwise 50 5 0.2 \ --out ${outPrefix}.prune ``` `--indep-pairwise 50 5 0.2` 进行 LD 剪枝，窗口大小为 50 个 SNP，步长为 5，LD 阈值为 0.2，表示去除那些与其他 SNP 高度相关的 SNP。`--out` 指定输出文件的前缀。这将生成一个包含独立 SNP 的文件 `${outPrefix}.prune.in`，后续将用于 PCA 计算。 ### 2. 去除亲缘关系样本 PCA 计算时需要去除亲缘关系较近的样本，通常是 2 度以内的亲属。PLINK 的 `--king-cutoff` 命令可以用来筛选样本，并去除与其他样本亲缘关系过近的样本。 ```{bash} plink2 --bfile ${genotypeFile} \ --king-cutoff 0.0884 \ --out ${outPrefix}.king.cutoff ``` `--king-cutoff 0.0884` 此命令通过阈值 0.0884（约对应亲缘关系为 2 度的样本）去除亲缘关系过近的样本。这会生成两个文件：`plink_results_king.king.cutoff.in.id`（保留的样本 ID）和 `plink_results_king.king.cutoff.out.id`（被排除的样本 ID）。 ### 3. 使用无亲缘关系样本和独立 SNP 进行 PCA 接下来，使用去除亲缘关系的样本和独立 SNP 来运行 PCA。PCA 计算的目的是识别样本间最显著的遗传变异。我们可以使用 PLINK 中的 `--pca` 命令来进行 PCA 计算。 ```{bash} plink2 --bfile ${genotypeFile} \ --keep ${outPrefix}.king.cutoff.in.id \ --extract ${outPrefix}.prune.in \ --freq counts \ --threads ${threads} \ --pca approx allele-wts 10 \ --out ${outPrefix}.pca ``` `--keep ${outPrefix}.king.cutoff.in.id` 指定只使用无亲缘关系的样本，`--extract ${outPrefix}.prune.in` 指定仅使用经过 LD 剪枝的独立 SNP。`--freq counts` 计算等位基因频率，`--pca approx allele-wts 10` 请求进行 PCA 计算，并输出前 10 个主成分的等位基因权重。此命令会生成多个输出文件，包括主成分得分文件（`.eigenvec`）、主成分方差解释比例文件（`.eigenval`）等。 ### 4. 将 PCA 结果投影到所有样本完成 PCA 后，我们可以将主成分的得分投影到所有样本中。这样可以确保即使是在 PCA 分析后没有被直接计算的样本，也能够获得与前几个主成分的关联。 ```{bash} plink2 --bfile ${genotypeFile} \ --threads ${threads} \ --read-freq ${outPrefix}.acount \ --score ${outPrefix}.eigenvec.allele 2 6 header-read no-mean-imputation variance-standardize \ --score-col-nums 7-16 \ --out ${outPrefix}_projected ``` `--read-freq ${outPrefix}.acount` 读取计算过的等位基因频率，`--score ${outPrefix}.eigenvec.allele 2 6 header-read no-mean-imputation variance-standardize` 使用主成分分析的结果对所有样本进行投影，`--score-col-nums 7-16` 指定投影的主成分列。投影后的结果可以用于进一步的 GWAS 分析，确保将群体结构和亲缘关系的影响考虑在内。 ### 5. 分析和解释 PCA 结果完成 PCA 分析后，我们可以查看每个主成分的解释比例，了解各个主成分对于遗传变异的贡献。通常，前几个主成分会解释大部分的方差，因此我们关注的是这些主成分的贡献。在 PLINK 的输出文件中，`.eigenval` 文件包含每个主成分的特征值，这些特征值表示该主成分对于数据方差的贡献比例。通过查看这些值，我们可以判断哪些主成分最能解释数据中的变异。 ## 总结 PCA 是 GWAS 分析中的一个关键步骤，能够有效去除群体结构和亲缘关系的影响，从而提高 GWAS 结果的可靠性和准确性。通过 PCA，我们不仅能去除数据中的噪声，还能更好地理解样本之间的遗传结构，为 GWAS 的成功开展奠定坚实基础。