LDSC:连锁不平衡回归分析

欢迎关注”生信修炼手册”!

LDSC全称如下

linkage disequilibrium score regression

简称LDSR或者LDSC, 在维基百科中，对该技术进行了简单介绍。通过GWAS分析可以识别到与表型相关的SNP位点，然而严格来讲这个结果并不一定真实客观的描述遗传因素对表型的效应，因为其结果是由以下两个因素共同构成的

1. polygenic effects, 基因对表型的效应

2. confounding factors, 混淆因素，比如群落分层，样本间隐藏的亲缘关系等等

尽管我们在GWAS分析中，可以通过协变量来校正群落分层等因素，但是混淆因素是无法完全消除的。为了保证分析结果的准确性，我们就需要评估GWAS分析结果中以上两个因素的占比，只有当混淆因素占比很低时，才能说明我们的分析结果是可靠的，此时我们就可以通过LDSC来探究这个混淆因素的占比。

LDSC本质是一个线性回归，其输入数据为GWAS的分析结果，回归的自变量为SNP位点的LD score值，因变量是该算法的核心，自定义的一个符合卡方分布的统计量，通过线性回归拟合LD score和卡方统计量的关系，从而判断GWAS分析结果中是否存在混淆因素。

首先来看下自变量LD score, 对于一个SNP位点，其LD score定义该位点与其邻近位点的连锁不平衡R2的总和，公式如下

对于一个SNP位点j, 取其邻近位点，通常是指定一个固定窗口，比如1CM遗传距离，计算该窗口内的其他位点与该位点的连锁不平衡情况下，用R2相加即得到了该位点的LD  score。然后再来看下因变量，公式如下

其中N为样本总数，M为窗口内的其他SNP位点数，h²是遗传力，这几个值为常数，从公式可以看出，卡方统计量和LD  score之间是一个线性关系，而且对应到图像上，其截距为1。上述公式是只考虑遗传效应的前提下得到，如果存在混淆因素，那么最后的截距就不是1了。

通过LDSC回归分析的截距，可以判断GWAS结果中是否存在混淆因素。如果截距在1附近，说明没有混淆因素，如果解决超过这个范围，说明有混淆因素的存在。同时公式中涉及到了遗传力，通过LDSC也可以评估遗传力的大小。
在下面这篇文章中，对LDSC进行了详细介绍

https://www.nature.com/articles/ng.3211

文章中通过模拟数据演示了LDSC的作用，如下图所示，左侧为存在群体分层时的QQ图，右侧为不存在混淆因素的QQ图

对于这两个GWAS结果，分别进行LDSC回归分析，结果如下

可以看到，存在混淆因素时，截距在1.3左右，而不存在时的，截距在1左右。

针对单个表型的GWAS分析，LDSC可以鉴定是否存在混淆因素，估计遗传力的大小；对于多个表型，则可以根据对应的卡方统计量，计算表型间的遗传相似度。

关于LDSC的分析，有一个同名软件，网址如下

https://github.com/bulik/ldsc

后续会详细介绍其用法。

·end·

—如果喜欢，快分享给你的朋友们吧—

往期精彩

• 自己动手进行逻辑回归，你也可以！

• GWAS大家都知道，Gene-Based GWAS你了解吗？

• 3步搞定GWAS中的Gene Set Analysis

• 你听说过Epistasis吗？

• GWAS中的Gene-Gene Interactions如何分析？看这里

• 终于搞清楚了Lasso回归和Ridge回归的区别
  

• odd ratio置信区间的计算，你学会了吗？

• 多元回归分析存在多重共线性了怎么办？

• 基因型与表型的交互作用如何分析，多元回归来搞定

• 曼哈顿图就够了吗?你还需要LocusZoom

• GWAS做完了，下一步做什么？
  

  GWAS meta分析

• GWAS样本量不够怎么办，meta分析了解一下

• 你没看错，搞定GWAS meta分析只需一行代码！

• meta分析的森林图不会画？看这里

• GWAMA:GWAS meta-analysis的又一利器

• 点击鼠标即可完成GWAS meta分析，任何人都可以！

• 用R进行gwas meta分析,原来如此简单
  

  基因型填充

• GWAS中的genotype imputation简介
  

• 基因型填充中的phasing究竟是什么
  

• 基因型填充前的质控条件简介
  

• 使用shapeit进行单倍型分析
  

• gtool:操作genotype data的利器
  

• 使用IMPUTE2进行基因型填充
  

• 使用Beagle进行基因型填充
  

• 使用Minimac进行基因型填充
  

• 使用Eagle2进行单倍型分析
  

• X染色体的基因型填充
  

• 文献解读|不同基因型填充软件性能的比较
  

• Haplotype Reference Consortium:最大规模的单倍型数据库
  

• Michigan Imputation Server:基因型填充的在线工具
  

  CNV分析

• aCGH芯片简介
  

• aCGH芯片分析简介

• 基于SNP芯片进行CNV分析中的基本知识点

• PennCNV:利用SNP芯片检测CNV

• DGV:人类基因组结构变异数据库

• dbvar:染色体结构变异数据库

• DGVa:染色体结构变异数据库

• CNVD:疾病相关的CNV数据库

• DECIPHER:疾病相关的CNV数据库

• 全基因组数据CNV分析简介

• 使用CNVnator进行CNV检测

• 使用lumpy进行CNV检测

• CNVnator原理简介

• WES的CNV分析简介

• XHMM分析原理简介

• 使用conifer进行WES的CNV分析

• 使用EXCAVATOR2检测WES的CNV

• 靶向测序的CNV分析简介

• 使用CNVkit进行CNV分析

• DECoN:最高分辨率的CNV检测工具

  TCGA

• TCGA数据库简介

• 使用GDC在线查看TCGA数据

• 使用gdc-client批量下载TCGA数据

• 一文搞懂TCGA中的分析结果如何来

• 通过GDC Legacy Archive下载TCGA原始数据

• 使用GDC API查看和下载TCGA的数据

• 使用GDC下载TCGA肿瘤患者的临床信息

• 使用TCGAbiolinks下载TCGA的数据

• 使用TCGAbiolinks进行生存分析

• 使用TCGAbiolinks分析TCGA中的表达谱数据

• 使用TCGAbiolinks进行甲基化和转录组数据的联合分析

• Broad GDAC:TCGA数据分析中心

• 使用cBioPortal查看TCGA肿瘤数据
  

• UCSC  Xena:癌症基因组学数据分析平台

• GEPIA:TCGA和GTEx表达谱数据分析平台

• TANRIC:肿瘤相关lncRNA数据库

• SurvNet:基于网络的肿瘤biomarker基因查找算法

• TCPA:肿瘤RPPA蛋白芯片数据中心

• TCGA Copy Number Portal:肿瘤拷贝数变异数据中心

  生存分析

• 生存分析详细解读

• 用R语言进行KM生存分析

• 使用OncoLnc进行TCGA生存分析

• 用R语言进行Cox回归生存分析

• 使用kmplot在线进行生存分析

  肿瘤数据库

• ICGC:国际肿瘤基因组协会简介

• HPA:人类蛋白图谱数据库

• Oncomine:肿瘤芯片数据库

• ONGene:基于文献检索的肿瘤基因数据库

• oncomirdb:肿瘤相关的miRNA数据库

• TSGene:肿瘤抑癌基因数据库

• NCG:肿瘤驱动基因数据库

• mutagene:肿瘤突变频谱数据库

• CCLE:肿瘤细胞系百科全书

• mSignatureDB:肿瘤突变特征数据库

• GTEx:基因型和基因表达量关联数据库

  肿瘤免疫和新抗原

• Cancer-Immunity Cycle:肿瘤免疫循环简介

• TMB:肿瘤突变负荷简介

• 肿瘤微环境:Tumor microenvironment (TME)简介

• 肿瘤浸润免疫细胞量化分析简介

• 使用EPIC预测肿瘤微环境中免疫细胞构成

• TIMER:肿瘤浸润免疫细胞分析的综合网站

• quanTIseq:肿瘤浸润免疫细胞定量分析

• The Cancer Immunome Atlas:肿瘤免疫图谱数据库

• 肿瘤新抗原简介

• TSNAdb:肿瘤新抗原数据库

• 使用NetMHCpan进行肿瘤新抗原预测分析

  Hi-C数据分析

• chromosome-territories:染色质疆域简介

• chromosome conformation capture:染色质构象捕获技术

• 3C的衍生技术简介

• 解密Hi-C数据分析中的分辨率

• A/B compartment:染色质区室简介

• TAD:拓扑关联结构域简介

• chromatin loops:染色质环简介

• Promoter Capture Hi-C:研究启动子区染色质互作的利器

• 使用HiCUP进行Hi-C数据预处理

• Juicer:Hi-C数据处理分析的利器

• Juicer软件的安装详解

• Juicebox:Hi-C数据可视化利器

• Juicer实战详解

• HiC-Pro:灵活的Hi-C数据处理软件

• HiC-Pro实战详解

• 3D Genome Browser:Hi-C数据可视化工具

• HiCPlotter:Hi-C数据可视化工具

• 3CDB:基于3C技术的染色质互作信息数据库
  

• 3DIV:染色质空间互作数据库

• 4DGenome:染色质相互作用数据库

• 4D nucleome project:染色质三维结构研究必不可少的参考项目

• 3dsnp:SNP在染色质环介导的调控网络中的分布数据库

• iRegNet3D:疾病相关SNP位点在三维调控网络中的作用

• 使用WashU Epigenome Browser可视化hi-c数据

• HiGlass:高度定制的Hi-C数据可视化应用

• Hi-C Data Browser:Hi-C数据浏览器

• 使用FitHiC评估染色质交互作用的显著性

• 使用TADbit识别拓扑关联结构域

• 使用pyGenomeTracks可视化hi-c数据

• hi-c辅助基因组组装简介

• 文献解读|使用hi-C数据辅助埃及伊蚊基因组的组装

  chip_seq数据分析

• Chip-seq简介

• chip_seq质量评估之计算样本间的相关性

• chip_seq质量评估之查看抗体富集效果

• chip_seq质量评估之PCA分析

• chip_seq质量评估之coverage分析

• chip_seq质量评估之FRiP Score

• chip_seq质量评估之cross correlation

• chip_seq质量评估之文库复杂度

• depth, bedgraph, bigwig之间的联系与区别

• bigwig归一化方式详解
  

• 使用igvtools可视化测序深度分布

• 使用UCSC基因组浏览器可视化测序深度分布数据

• 使用deeptools查看reads分布特征

• 使用phantompeakqualtools进行cross correlation分析
  

• blacklist regions:NGS测序数据中的黑名单

• MACS:使用最广泛的peak calling软件之一

• MACS2 peak calling实战

• 使用SICER进行peak calling

• 使用HOMER进行peak calling

• peak注释信息揭秘

• PAVIS:对peak区域进行基因注释的在线工具

• 使用UPORA对peak进行注释

• 使用GREAT对peak进行功能注释

• annoPeakR:一个peak注释的在线工具

• 使用ChIPpeakAnno进行peak注释

• 使用ChIPseeker进行peak注释

• 使用PeakAnalyzer进行peak注释

• 使用homer进行peak注释

• 利用bedtools预测chip_seq数据的靶基因
  

  motif

• 关于motif你需要知道的事

• 详解motif的PFM矩阵

• 详解motif的PWM矩阵

• 使用WebLogo可视化motif

• 使用seqLogo可视化motif

• 使用ggseqlogo可视化motif

• MEME:motif分析的综合性工具

• 使用MEME挖掘序列中的de novo motif

• 使用DREME挖掘序列中的de novo motif

• 使用MEME-ChIP挖掘序列中的de novo motif

  chip_seq数据库

• ENCODE project项目简介

• FactorBook:人和小鼠转录因子chip_seq数据库

• ReMap:人类Chip-seq数据大全

• IHEC:国际人类表观基因组学联盟

• Epifactors:表观因子数据库

• GTRD:最全面的人和小鼠转录因子chip_seq数据库

• ChIP-Atlas:基于公共chip_seq数据进行分析挖掘

• Cistrome DB:人和小鼠的chip_seq数据库

• chipBase:转录因子调控网络数据

• unibind:human转录因子结合位点数据库

• chip_seq在增强子研究中的应用

• DENdb:human增强子数据库

• VISTA:人和小鼠的增强子数据库

• EnhancerAtlas:人和小鼠的增强子数据库

• FANTOM5:人类增强子数据库

• TiED:人类组织特异性增强子数据库

• HEDD:增强子疾病相关数据库

• HACER:human增强子数据库

• SEdb:超级增强子数据库简介

• dbSUPER:人和小鼠中的超级增强子数据库

• dbCoRC:核心转录因子数据库

• 使用ROSE鉴定超级增强子

  18年文章目录

• 2018年推文合集

扫描下方二维码，关注我们，解锁更多精彩内容！

生物信息入门

只差这一个

公众号