GWAS分析<四>之数据质控最终章

上一篇推文《GWAS分析<三>之数据质控》已经介绍了GWAS分析中数据质控的部分内容，但是，受限于篇幅原因，仅介绍了一半的内容。本篇推文算上一篇推文的延续，继续将数据质控分析中剩下的部分介绍完毕。

一 命令与可视化结果

1.1 常染色上SNPs的获得

因为人体染色体中第1到第22号染色体均为常染色体，所以本教程通过unix中的awk命令提取1-22染色体的数据，并存储在snp_1_22.txt文件中。随后，通过—extract和--freq参数分别进行常染色体中SNPs信息的提取和MAF分布情况统计。再调用可视化脚本GWAS_analysis.R展示MAF分布情况（见图1）。最后，通过--maf 0.05过滤掉MAF值较高的SNPs位点。

1.2 SNPs的HWP分布情况调查

本步骤主要是检查所有SNP的HWP分布的p值，并选择低于0.00001的SNP，并可视化存在强烈偏移的SNP（见图2）。本教程使用两个步骤，首先对控制使用严格的HWE阈值，然后对病例数据使用不太严格的阈值。。

注意：第二次筛选仅只关注病例样本。

1.3 筛选符合杂合率要求的个体

本步骤的目标是去除杂合率偏离平均值超过3 SD的个体。使用Rscript生成杂合率分布图（见图3），并进行统计分析，输出fail-het-qc.txt文件。当使用我们的HapMap示例数据时，该列表包含2个体（即两个个体的杂合率杂合率偏离平均值超过3 SD）。调整这个文件，使其与PLINK兼容，从文件中去掉所有引号，只选择前两列，从而完成杂合率异常值个体的筛除。

1.4 检查数据集是否存在隐形关联

检查所分析的数据集的隐性亲缘关系是至关重要的，所有高于pihat阈值0.2的个体可能会干扰GWAS的分析结果，因此需要进行筛除。在本教程中，我们的目标是去除数据集中的所有 "相关度"。HapMap数据集包含父母与子女的关系，而教程演示的目的，我们将亲缘关系视为随机人口样本中的隐性亲缘关系。通过使用z值具体地可视化这些亲子关系，能够生成一个图来评估关系的类型。通常情况下，基于家族的数据应使用特定的基于家族的方法进行分析。

首先，获取pihat阈值低于0.2的个体，并去除创始者，可视化不同个体间的亲缘关系。随后，调用’--genome --min 0.2’以及0.2_low_call_rate_pihat.txt文件删除pihat阈值低于0.2的个体和低召回率的个体。

祝贺各位！！！到这里，你已经成功地完成了GWAS分析的第一步。后面，你就可以使用质控之后的数据进行适当的GWAS分析啦。

二 惯例小结

通过上述内容，我们完成了GWAS分析中质控环节。这些结果的完成为我们后续的分析提供了坚实可靠的依据，也避免了因数据清洗不完全带来的结果分析偏差。后续推文中，我们将以前人基因组为例，展示如何进行完整的GWAS分析。可视化脚本也会在后面进行介绍，欢迎大家持续关注。

本公众号开发的相关软件，Multi-omics Hammer软件和Multi-omics Visual软件欢迎大家使用。文末是本公众号在其他平台的账户，也欢迎大家关注并多提意见。

简书：WJ的生信小院

公众号：生信小院

博客园：生信小院

最后，也欢迎各位大佬能够在本平台上：1传播和讲解自己发表的论文；2：发表对某一科研领域的看法；3：想要达成的合作或者相应的招聘信息；4：展示自己以寻找博后工作或者博士就读的机会;5:博导提供博后工作或者博士攻读机会，都可以后台给笔者留言。希望本平台在进行生信知识分享的同时，能够成为生信分析者的交流平台，能够实现相应的利益互补和双赢（不一定能实现，但是梦想总得是有的吧）。

另外，怎么说呢，投币也可，不强求，但奢求。