GWAS

写在前面：本文为自己在学习过程中看过各类资料后整理做的笔记，纯属方便自己学习以及后期回顾，也希望有幸能帮助到和我一样的小白们，各位大神如果发现有错误即使纠正，我们共同学习！特别感谢所有我阅读过的各类推文的作者，我会附上来源，以示版权及尊重！大家快乐地学习吧！

全基因组关联分析（Genome-Wide Association Study，GWAS）流程

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 ID

Individual ID

Paternal ID

Maternal ID

Sex (1=male; 2=female; other=unknown)

Phenotype

PED

文件是空格（空格或制表符）分隔的文件。

PED文件长这个样：

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 identifier

Genetic distance (morgans)

Base-pair position (bp units)

MAP文件长这个样：

3、生成bed、fam、bim、文件

输入命令：

plink --file mydata --out mydata --make-bed

注：plink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

bed：

bim：

fam：

注：有时fam文件最后一列diagnosis会为 -9 或 NA，都表示缺失值

插一步：质控步骤（QC）

可以参照这篇推文，https://www.jianshu.com/p/57c2dbda8a86

填补后质控（Post-imputation quality control）

千人基因组大概有83 million变异位点，经过填补后有许多质量不好的位点，需要过滤掉。

去除MAF = 0的位点

去除MAF<0.01 和 info>0.3的位点。info值用来衡量填充位点的质量，一般较差的位点info <0.15，较好的位点info >0.85。所以过滤阈值一般在0.15-0.85之间。对于同一个位点来说，MAF值越小，info值也越小。可以将MFA值和info值画出柱状图，找到一个比较好的阈值进行过滤。

去除缺失率过多的位点（98%以上）

质控后去除被试命令：

```

plink --bfile test_2kw -remove remove.txt --out 939_test --make-bed --noweb

```

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 ID

Individual ID

Phenotype

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 ID

Individual ID

Phenotype A

Phenotype B

Phenotype C

……

表型文件长这样：

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 ID

Individual ID

Covariate A

Covariate B

Covariate C

……

协变量文件长这个样（这里有三个协变量，分别为Sex,Age,temperature）：

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

安装R语言的qqman包，其中的manhattan()，即可画曼哈顿图

https://mp.weixin.qq.com/s/3KN0WHccKv5EbLQUCQVqmw

R包画图

setwd('/Users/mac/Desktop/123')    # 设置工作目录

library(qqman)    # 载入包

data <- read.table("5filter_result.assoc.linear",header =TRUE)    #读取数据

data1 <- data[,c(1,2,3,9)]    #按照规则截取列

data2 <- na.omit(data1) # 删除含有NA的整行

par(cex=0.8) #设置点的大小

color_set <- rainbow(9) # 设置颜色集合建议c("#8DA0CB","#E78AC3","#A6D854","#FFD92F","#E5C494","#66C2A5","#FC8D62")svg(file="manpic.svg", width=12, height=8)    # 保存svg格式的图片设置名字

#manhattan(data2,main="Manhattan Plot",col = color_set) #suggestiveline = FALSE 更加显著

manhattan(data2,main="Manhattan Plot",col = c("#8DA0CB","#E78AC3","#A6D854","#FFD92F","#E5C494","#66C2A5","#FC8D62"),suggestiveline =FALSE,annotatePval =0.01)#suggestiveline = FALSE 更加显著

dev.off()    # 保存图片

#par() 显示当前图像参数

str(gwasResults) #zscore beita 值除以standard error 这个值越大 P越小

head(gwasResults)    # 看前面几行

tail(data2) #看后面几行

as.data.frame(table(gwasResults$CHR))    # 这个是没根染色体上有多

SNPas.data.frame(table(data2$CHR))    # 这个是没根染色体上有多少SNP

qq(gwasResults$P)    # 画qq图

qq(data2$P) # 画qq图

manhattan(gwasResults, annotatePval =0.01)    # 这个可以对每根染色体上最高的那个点注释出来

还可以使用haploview画曼哈顿图https://www.jianshu.com/p/609149db6fab

自己入的小坑： assoc.linear文件可以用notepad++打开，但是 .linear不是制表符，需要linux下转换制表符，sed 's/[ ][ ]*/,/g' file.linear > out.csv，sed -i 's/^,//g' out.csv，加了个逗号，最后转成.csv文件，还进行了cut，cut -f 1,2,3,9 file_name > new_file，提取做曼哈顿图时需要的那几列，得到了最终R语言中要做曼哈顿图的文件。我滴个天！哎~

最后需要的文件长这样，好有成就感