【Hands-on】L5 全基因體關聯研究

MeDA
2粉絲
大家好,那再來的話,再來是我這個Session主要是要介紹的就是
羣基因體關聯分析,Geno-wide Association Study,然後簡稱我們常常都會聽到的GWAS,G-W-A-S
那接續那個前面老師的課程,用美沙東做例子,那我這邊主要就是以實例來講解說如何來做GWAS的分析
那一般GWAS的分析的話,簡單一點可以分成兩個階段,一個是Discovery Stage,一個是Replication Stage
Discovery Stage主要是想要找出來說,先確定好你現在想要研究的主題,然後做Sample Collection,然後去做Geno-typing
然後拿到Geno-type Array的資料之後,去針對它做QC,做完QC之後,你就可以去做任何你想要有興趣的分析,之後再Report你的結果
那所以它主要就是想要找到一些跟Disease Associated的Marker
那Replication Stage主要就是要驗證你Discovery發現到的東西是不是可以在其他的資料上面可以做驗證
所以說它主要第一個要點就是說,你一定要重新再找到一個就是Independent的Data Set,去證實說你的發現
所以說它一樣也需要在資料收集,做Geno-typing,然後資料在QC,最後再做Validation,去驗證說你在Discovery的那一部分的結果是不是正確
簡單一點的話,Flowchart,這是資料分析的Flowchart,那我們這邊會用的資料主要放在GEO上面,GS178098這上面
那如果大家有興趣的話,可以把它下載下來,然後一起做練習
那前面的話主要,整個GeoArts的分析的話主要分兩個過程
一個,這邊只簡單介紹一個,就是Quality Control,另外一個是Association Study
那Quality Control的話,會有很多步驟,那待會後面會慢慢講解
那Association Study,這邊只先介紹最基本的,就是Single Locus Association Test
會介紹就是做一些簡單的Association,然後再畫圖, Manhattan Plot,以及QQ Plot
首先,在做GeoArts的時候,這邊我們平常有一個很習慣會用到的一個Tool,叫做Plink
也有人會唸作Plink,都可以
這邊的話,所以說我們現在首先就先到那個Plink的官網,去下載說它有Plink
那就有分不同的系統,Windows,Linux,Mac都有
那下載下來之後是一個壓縮檔,那解壓縮之後
如果你是在Windows上面的話,你就是開啟之前前面有提到的CMD
然後將你的工作路徑切換到Plink的資料夾上面
如果是在Mac或Unix系統的話,那隻要開啟你的Terminal
前面在介紹HyperView的時候,應該有介紹過簡單的操作方式
那第三個就是,實際上Plink在下指令的方法其實不會太複雜
第一個就是說,它有所謂的Input
然後還有所謂的說,你要做什麼事情
以及最後你要把你的結果Output出去三塊部分
所以說以底下這個例子來看的話,你可以看到說
我現在其實我的Input就是所謂在C槽裡面的三個檔案
它的名字就是MNT,然後分別是.BED.BIN跟.FAM這三個檔
那檔案的那個格式,我會在之後的篇章會大概講解一下
那這邊它主要算的就是說,它這個用FREQ
所以它單純要算的是Minor Alert Frequency
然後最後它會把它的Output存到D槽裡面,然後命名為一個MNT
那這邊注意到就是說,在這邊所謂的Input跟Output檔案的時候
它其實都只需要給到檔名,不需要給到副檔名
所以說主要是在Input的部分,因為它不喫副檔名
所以說你得要注意的就是說,你的檔案名稱得要全部都命名一樣
那簡單的Plink操作大概就是這樣
那在介紹Data Format之前的話,一定會在
在介紹Plink的Data Format之前的話,一定都還會再介紹一次Pedigree的File
那這是在前面其實那個
我們在介紹Merlin或者是HyperView的時候都已經有提過
所以說這邊我可能就不會,就先skip掉
如果你覺得這方面有點不太熟悉的話,那你可能現在就要先跳出去
然後去選剛才介紹Merlin或者是HyperView的那些影片
再來介紹的是Map檔
這Map檔其實跟剛纔在前一張介紹HyperView時有用到的Info檔其實很像
只是說它這邊多了一個訊息,就是Chromosome的訊息
然後另外它的排列方式可能會跟前面的Info檔案不太一樣
它主要是有四個欄位
第一個欄位的話是Chromosome,再來是你的Sniper ID
然後再來是Genetic Distance,然後最後是Physical Position
那Chromosome的定義方式其實跟Merlin當初的定義方式很像
Chromosome 1到22,然後23的話代表是X Chromosome
然後24Y Chromosome,然後25S Y,這樣之類的
那前面剛纔有提到說有三個檔案
BED, BIN,跟FMN這三種檔案
為什麼要存這三種檔案,主要第一個它資料檔案會比較小
第二個是它存取速度快
因為我們所謂要說
主要的資料檔案其實是存在所謂的BED檔案裡面
那它主要其實是所謂的Binary Code
所以說其實你如果打開的時候,你其實是看不到任何文字的
你是看不到東西的
它是隻有電腦才認得的東西
所以說它在,電腦在讀取的時候會比較快速
那剛才的FMN檔其實跟剛才的Pedigree的那個PED檔其實是很像的
就是你可以看到它前面就是Family ID, IID
然後爸爸ID,媽媽ID,然後你的Gender,以及最後你的Phenotype
那至於說BIM檔的話其實類似的就是所謂Marker的訊息
所以它其實就跟剛才介紹的MAP檔很像
有你的Chromosome, SNIPID,還有你的Genetic Distance
還有Base Pair的Position
以及最後你那個它新增多加兩個欄位
就是說你的那個A1跟A2,就是你的Alia的那個Coding是什麼
那所以整個資料的話其實它可以想像它還是一個矩陣
就是你的Row的訊息是你的人
那你的Column,你的欄位的訊息是你的Marker
那就是用這三個檔案去組合成一塊讓Plink去讀
好,那再來的話,那我再來就要介紹一下說
資料真的,你真的拿到資料之後再來你要怎麼去做QC
實際上在做GWAS的分析的時候常常會發現
如果你真的做久的話你應該會發現就是
其實你有很多時間可能都在做資料的QC的動作
然後其實你只花很少的時間就可以做出那個
做出那個Association的結果
因為通常而言資料QC會花很多時間
那為什麼要做資料QC就是因為我們不希望說
所謂的Garbage In, Garbage Out
所以說希望說你的資料是真的有可信度高的
那資料QC的部分的話
那主要我們可能會分成兩塊
第一塊的話就是Per Sample的QC
就前面這一部分
然後第二塊的話是Per Marker的QC
就是把人的部分刪完之後再來會做Marker的QC
那人的QC的話我們會做的就是有第一個
那個SATCHECK,然後再來GENOTYPE CODE RAY
然後再來HOMERIGASTI RAY
然後CREATIVITY的RELATIVENESS
然後還有DIVENGER AND SYNCH
然後最後Marker的話我們可能就是
單純就是CODE RAY, MANUAL ALIFFING
跟HARTING WEBER去做檢查
那首先在真的開始在做QC之前的話
我們通常會先做第一步就是先REBOOT
所謂的CONTROL SNIPPER
所謂的CONTROL SNIPPER只是當初在實驗設計的時候
為了確認說你的TRIB的品質好
或它的一個類似INDEX的一個STANDARD的標準
所以說它實際上並不是真正的資料
所以說我們在第一步的時候會先把這些點丟掉
那在大家下載的資料裡面應該
我們這個資料的例子主要是來自EFFING MATRIX
那它的CONTROL SNIPPER有固定的那個表示的格式
主要就是說它開頭會是AFX的開頭
所以說只要看到這種開頭的話
那就代表說它是那個EFFING MATRIX的CONTROL SNIPPER
那所以說我們在這邊一開始會先建一個TXT檔
那裡面TXT檔裡面所列的就是把這些SNIPPER列上去
那我們執行PLINK裡面的EXCLUDE
去把這些MARKER把它DELETE掉
然後我們重新做MAC BED
就是說我現在把剛剛一開始拿到的三個MAT的檔案
把它重新再重新把這些點刪掉之後
重新再把它OUTPUT成一個新的檔案
那我們這邊叫做MAT底線WG
就是一個HOLD GENOME的檔案
那再來做完這一步之後
再來就可以開始做QC的動作
首先第一步的話就是先檢查你的GENDER
那GENDER的話就只需要用CHECKSECKS這個FUNCTION就可以跑
那我們CHECKSECKS的話其實大家都知道
我們的染色體第23條就是所謂的性染色體
那所以說我們其實主要是針對性染色體在做檢查
那檢查的話就是它主要檢查的話你可以看到
跑完CHECKSECKS之後它會產生一個SEX.CHECK的副檔名的檔案
那這個檔案的話你可以看到說它這邊有一個PEDSEX
跟一個SNIPPERSEX
PEDSEX是當初你一開始資料給它的時候告訴它的男生女生的性別
那SNIPPERSEX則是它用你的GENETIC資料去估出來說你到底是男生還是女生
所以說如果不相符的話它就會在這後面report說有problem
所以說我們就是把針對這一欄STATUS裡面
它如果report是problem的這些人我們就會把它丟掉
那其實sample收集其實是不太容易的
所以說如果說你可以確認說這些sample的性別
到底發生什麼問題可以把它改正回來的話那當然是最好
如果不行確認的話那我們的保險起見我們還是會建議把它刪掉
那再來做完了TRACE STATUS之後再來我們會針對就是
我們再來會針對就是AUTOSOME
就是所謂的COMMISSION1到COMMISSION22下去做分析
所以說當你想要抓出特定的COMMISSION的時候你可以用-CHR這個指令
那做完之後我們可以用missing這個function去看說你的CORRECT
在做這麼多分析這麼多次我從來沒有一次拿到資料可以就是完全沒有missing data
所以說資料多少一定都會有missing data
但問題是我們不希望說資料的缺失的情況太過嚴重
所以說如果缺失太過嚴重的話我們會建議說把那些點拿掉
那些人會拿掉我們會覺得他品質不好
那跑完missing之後他會產生一個.imiss的這個檔案
那在這檔案裡面的話我們主要會用到最後一欄的
F底線miss這個欄位
主要他這邊告訴你就是你所謂的missing rate
那missing rate的話其實
那我們一般常常講的CORRECT其實就是所謂的E減掉missing rate的值
就是說你做genotype calling可以call出來的genotype的數目
那這邊的話我們一般簡單一點設的話我們就是設說
如果說你的CORRECT小於0.95的人的話我們就會把這些人丟掉
那在這個例子裡面因為沒有
所以說這個檔案其實就沒有任何的sample
那做完CORRECT的check之後再來我們會做homologosity rate的check
那這邊的話我們主要就是執行HET這個去撞heterogosity rate
那heterogosity rate跟homologosity rate其實是一體兩面的東西
相加起來會是1
那取得欄位主要是這邊的O跟這邊的N
就是他這邊是absurd的那個homologosity rate
的那個nucleotide的數目
然後N的話只是你total的那個nucleotide的數目
那所謂的homologosity rate的話
就是直接就是你的O除以以上你的N這個比例
那因為針對一個正常人
我們不太會期待說他會有過多的heterogosity rate
或過多的homologosity rate
所以說一般人大家應該都差不多會在有一定的一個範圍
所以說我們一般習慣會用資料
用你現在的資料估出來的homologosity rate或heterogosity rate
去做那個mean加減三面標準差的方式去把那些outlier移除掉
如果說你的homologosity rate太大的話
那有可能發生一些structural變化
比如說像copy number deletion之類的情況
那做完homologosity rate check之後再來
我們就會去偵測說有沒有creativity的relatedness的check
所以為什麼要偵測這點就是
因為一般我們後面在做分析的時候
其實常常大家可能都會聽到什麼IID
那IID的第一個I就是independent
所謂的independent指的是說你的資料的sample要independent
所以說我們一般希望說你的資料
個體跟個體之間它是獨立的
除非說你現在想要做的是family-based的分析的話
才會考慮說資料需要有關聯
那如果說人跟人之間的關係的話
有時候他report不見得不準
所以說我們可能會用genetic的資料去判斷說
他會不會有親屬關係存在
所以creativity relatedness主要是要判斷隱性的親屬關係
那這邊的話我們其實就
首先我們會先做pruning的動作
就用這indp pairwise這樣
用一個sliding window的方式去
把一些marker相關性高的一些marker把它先移除掉
我們會用一些independent的marker去估說你的親屬的相關性
因為marker如果相關性太高
有時候它可能會蓋掉你整個親屬的關係
就算你是兩個完全不相關的人
可是有些marker無論在你親屬相關性無論高或低
它都會表現出很強的相關性
可能會讓你誤判說這兩個不相關的人可能有關係
那安完這些snipper之後
我們會用Ogenome這部分
去跑說真正的去幫我們去估IBD
就是說看說人跟你兩兩pair的人
他們是不是來同源的情況
那估出來的結果的話我們主要是
會產生一個叫.genome的檔案
然後我們主要是看PiHat這個欄位
將PiHat這裡面的
只大於0.1875的人當作說
可能有親屬關係的存在
那為什麼要0.1875主要是說
當然如果你看到是1的話
那這個有可能說他可能是雙胞胎
也有可能是你失散多年的兄弟
那如果說大於可能是0.5的話
那他有可能是你的父母親或者是說
隔壁的老王
那所以說在這邊的話
我們主要所以說0.1875
其實就是說可能有1又2分之1代的情況
所以說我們會把這一部分的
這樣的人拿掉
那因為一個pair所以代表說裡面會有兩個人
那兩個人的話我們還是希望說能夠保留資料
越多會越好
所以不會把所有人都拿掉
所以說這時候兩個人我們會想要怎麼選
選說誰要留下來
那大家可以自己想一想
那其實答案已經寫在上面那一條線了
所以我就在這邊就不多說
那所以說我們在刪掉人之後
再來下一個是比較一個繁複的工作
就我們再來要做dimension and century的check
那為什麼要做這件事情
就我們希望說我們現在想要
以我們現在而言我們現在這資料主要是針對
臺灣的人在做研究
我們當然不希望說你現在資料裡面還有混雜到
其他種族的人
因為這時候你可能如果真的有混到的話
你現在找出來的marker可能只是單純是因為
種族的差異而不是真的跟這個
你現在想要研究的東西有關係
的那個 dissociative associative marker
所以說
在做
所以說我們才需要做dimension and century的check
那在這一部分的話
可能先有個前置作業就是說
因為一般當你從
如果直接從他的那個官方
那邊直接swain做完
給你的資料的時候他一般會把你的資料
call成是ab call,不是我們常常會看到
的acgt call
所以說我們一般可以先
把你的ab call轉成acgt call
然後另外一個就是說你有時候可能拿到
是他們那個官方所謂的
ID,那可能跟我們一般
認識的RS number可能會有點不太一樣
你也可以把它做一個更換
那所謂要更換的話
你可能需要去下載說
他們的那個annotation file
那這邊的話,因為AV已經被SML bin掉
所以說這邊提供一個是SML
它提供的annotation檔案的位置
另外一個是因為他有時候可能
只提供比較新的版本,所以如果你想要
舊版本的話可能要去AV
他舊的網站去找,那找到完之後
你可以建一個像現在
你在畫面上看到的檔案一樣
前面五個欄位就是固定的
如果說你需要做alert的替換的話
第一個是你的ID
就你現在原本資料裡面的ID
然後再來第二個的話
第二欄跟第三欄是你舊的時候
你的資料裡面的alert1跟alert2
它分別是用什麼代碼去call
然後再來兩欄的話
是說你想要把它替換成什麼
就好比說像這一個
我是想要把我的a
替換成t
那這個的話是想要
把我原本call成b的
這樣相對應
那後面補充兩個欄位
是說如果你想要把你的purpose ID
轉變成比如像rs number
的話,你也可以再把它
附加上去,那update的話
就一個update earlier
一個update later,就用這兩個
方式去把你的那個
bin檔去做更新
好,那這只是第一步,再來第二步
第二步的話,再來我們剛才說
我們想要看是希望說
不希望說你的資料
會跟其他種族,是來自其他種族
那其他種族的資料從哪裡來
那這邊的話我們主要,簡單一點的話
我們可以直接說,我們這邊的話
可能就從黑Map3,當然如果說
你想要用萬哨聲舉動
project的資料也是可以
那我們這邊只是簡單用
黑Map3這個資料夾
這個資料,那這邊有download的網址
它本身就已經整理好是那個
plink的檔案格式
那因為它整理出來的
plink的檔案格式是剛才前面介紹的
BED跟MAP檔,那我會建議
一般拿到的時候你先把它轉成那個
BIM, BED
跟那個FM這個檔,所以
所以說一般我會先用File
讀進那個Pedigree跟MAP檔
之後再用MAP和BED先把它變成
那剛才講的那三個檔
那轉完之後再來我就可以
直接用bmerge,merge我現在
我現在QC完的
QC到一部分的資料
以及這個黑Map的資料
那通常在merge的
結果的話你應該會看到
現在紅色框框的這個訊息
就是所謂的error訊息
如果說你沒有看到那代表你的運氣很好
你是被上天眷顧的人
那為什麼會有這個訊息,主要是因為
你一開始拿到的資料的時候,比如說
你可能在某一個marker上面
你的資料可能show的是AC
可是問題是在黑Map上面
同樣的marker
可是它上面搞不好show的是TG
那這時候他會覺得說
同一個marker上面為什麼會有四個額例
因為我們會有四個
error type,因為我們原本期待應該只會有兩種
所以說他這邊才會
告訴你說你這邊有三家error的那個
preset,the present的那個情況
那原因就是因為說你可能
要做flip,因為我們知道
A的話跟T點,C的話跟G點
所以你剛才說你看到那是AC的話
那其實它相對應的就是TG
就是它在另外一條實圈上面
所以說他會覺得
可是他plink他沒有說那麼
貼心的會幫你自動處理,所以他
也算貼心,他就特別在問你一下
希望你自己去做確認,所以說
如果你覺得說這單純只是flip的問題的話
那其實你可以照他
底下這邊的這個講法去做事情
那所以說我們這邊的話就
其實就只要用flip的方式
去把它做掉就可以了
所以說flip完之後
產生新的檔案之後,你再重新再做一次
bmerge,這樣的話檔案就可以
比較平安無事的
把它合併在一起
所以這樣兩個data set就
全部合併在一起之後,再來我們就可以
真正去做divergent-centric的check
那怎麼做check呢?
其實我們只需要做PCA就可以了
那在做PCA之前,當然我們還是有些要求
就剛才前面像這樣講的
我也不希望說資料合併的太多,因為
兩個data set不見得會有同樣的typing出來的
同樣的那個marker
所以說可能會有一些marker只在某一個資料
set檔案裡面,那所以說我們會希望說
盡量找那些marker在兩個邊資料
都有的,所以說我們這邊的話
會用一個GNO這個條件
主要就是希望說把資料缺失
太嚴重的那些marker點丟掉
那另外一個是說,我也會把一些
ATCG的點保留下來
因為所謂ATCG是說
你現在這個marker
雖然在同一個
同一個點,在我這個data set
他可能告訴我說他是AT polymorphism
可是在另外一個點,他也
在黑MAP3他也告訴我是AT polymorphism
但是我們知道A一定跟T
A接T,所以說
我也不曉得說他們的AT是不是真的在同一個
strain上面
那為了預防這種
ambiguous的情況發生的話,那我們建議
就是直接就把ATCG拿掉
因為這不會影響說你現在
做這個check不會有太大的影響
所以拿掉之後,那我們一樣
再做一次GNO,然後
只是再多一些條件,比如像
minority of case,我們希望他能夠大於0.01
然後individual的
code rate,希望他能夠大於0.
code rate能夠大於0.95這樣
讓資料能夠比較完整
一點之後我們再下去做PCA
那做完PCA之後你應該就會產生
其中一個檔案叫做Eigenmacht
就是Eigenmacht的檔案
那這個資料,他前面
兩個,前面兩欄的話
就是你的family ID跟individual ID
這在前面都有介紹過
然後之後再來就是接你
那個principle component的score
那default的話他會給你20個
那我們一般習慣最常
就是因為變異數
那個PCA的話,通常前面兩個
PCA他解釋的變異
解釋的variation是最大的,所以說我們一般就
拿PC1跟PC2就可以做到
去做圖,那做圖之後
我們就可以去看說你的資料是不是
真的跟其他種族的會差很遠
那如果有差很遠的話
那這是正常的,那你會看到說
有些資料會跟你很近,主要是因為像這邊
有包含CHB,北京人
JPT跟那個日本人
他們都屬於亞洲族羣,所以說
才會跟你現在,因為我們臺灣也
甚至亞洲族羣,所以他會跟你比較接近
不用擔心,那所以說
做完PCA之後我們另外也會去看一下說
你的資料會不會說有一些
outlier,如果真的有一些outlier存在
的話,那我們也就會把這些outlier
在這個步驟順便把他一起
排除掉,所以到這邊的話
dimension check就完成,那這個
步驟完成的話也就代表說整個sample
QC差不多就完成,再來的話
就只剩下marker QC,所以到
剛剛為止的話我們整個sample QC
就已經算完成了,那這只是最簡易的
sample QC,那其實如果說你想要
再多增加一些自己lab
發明的一些sample QC的方法也是可以
只是說上面列的是最基本的
那做完sample QC
之後再來我們會做marker QC,marker QC
這邊的話我們簡單其實就只做三點,第一個
就是所謂的correl,然後
再來是minor frequency,然後最後是
harding waver,equilibrium的那個
檢定的那個檢查
阿correl的話一樣
我們實際上是用0.95,然後
minor frequency的話我們希望他最好是能夠
大於0.01,然後harding waver
的話我們希望說你的p-value最好能夠
最好能夠不要低於你的
bifurbonics的label
那這樣做完檢定之後整個資料就算是
完,整個就算是一個比較clean的資料
然後就可以去做我們後面的
modeling,那在做modeling
之前的話我還有一個要討論的就是
所謂的subpopulation structure,就是說
你資料QC已經結束了,那問題是
本身你現在在這種種族裡面
除了剛才我們在dimension check
那邊有討論到就是說
不希望資料來自於不同種族,可是問題是
就算在同一個種族裡面
可能還會有一些不一樣的差別,比如像
臺灣人裡面可能就會有閩南客家
跟可能有一些
是那個大陸那邊
遷徙過來的人,所以說
這些人他們可能
在本身genetic的那個pattern
上面也會不太一樣,所以說我們也會希望
說你找出來的marker不是因為
這些的差異,所以說我們會做
會把所謂的subpopulation structure
去考慮進去在你的
model裡面,那在做
在去考慮subpopulation structure
的部分的話,我們首先
得要,我們最簡單一樣
做PC的校正,那在
這邊的話一樣,我們這邊主要是取出獨立的
就independent的marker
出來,這其實說我們
就是在做一次pruning的動作
那去取出一些
independent的marker出來之後再去做
PCA,然後把得到的PCA放到你的model
裡面去做校正,只是為什麼
我們這邊要取independent的marker出來
主要是在這邊用
以底下這個圖來講
一般我們在做PCA之後
會有產生所謂的loading跟score
那你的score的話
其實是你的genotype
乘上你的loading,那所謂loading
你可以想成說是
針對你現在的marker,去強調說
哪些marker比較重要
它類似就是一個marker weight
所以說,如果說你現在
以底下這個例子
假設說你現在不去做independent的
不去考慮說那些獨立
不只拿獨立的marker
出來的話,可能會發生就是說
你的loading的圖,從chromosome 1
畫到chromosome 22,你會看到說
會像這樣可能會有一根凸出來的圖
一般
一開始你會看到這個圖多半是
來自chromosome 6,主要是因為
chromosome 6在前面在介紹那個
NCBI的database的時候,小齊
有舉到有一個例子
是說,那個chromosome 6
HLA的那些marker,它可能會跟一些
population的演化可能會有關係
所以說這個marker
它其實表現出來的就是
這一部分的地方,那這時候你再
做出來的pc-score,因為
你的loading其實偏向就是強調說
這些marker的重要性,所以說你其實
做出來的pc-score其實
等於說其實整個被chromosome 6
這一塊區域給dominate住了
所以沒有表現出來整個whole genome
subpopulation的情況,所以說
我們才會希望說,你希望
先把這些marker
先把它拿掉,那把
相關性比較高的marker
LD比較強的marker拿掉之後
看到就像上面的
這張loading的圖的情況,chromosome
1到chromosome 22,你可以看到
幾乎你的weight其實就類似
一個uniform的分佈,沒有特別強調
某一個區域的
marker,那這樣求出來的score
比較能夠代表整個whole genome subpopulation
的那個structure,那再來
那做完subpopulation
structure的部分之後,再來就是我們真的要開始
做我們的modeling,那這邊
以這個例子的話,我們一般會
建議說你會先建一個
檔案,去把你的phenotype
或corporate的檔案可以存在一起或分開存
那這邊的話我是建一個合在一起的檔案
來做說明,就前面一樣
你會有所謂的FID跟
IID,就是說
家族跟個人的
ID,然後後面的話可以
放你現在分析裡面的
phenotype,或者是要校正corporate
以及你再把你剛纔得到的那個
subpopulation structure的
檔案一起把它併在一起
分成三塊放在一起
當然你也可以分開成說你的資料
可以就是phenotype一個檔案,corporate一個檔案
那執行的時候
執行一樣同樣執行planic,告訴它說
你的phenotype檔是什麼
然後你想要做的phenotype
現在想要做哪個phenotype
以及你現在的corporate檔案是什麼
然後你想要校正
哪些corporate把它全部
列在一起,然後用逗號做分隔
那最後的話
再選定說你想要跑什麼樣的model
linear,如果說你的
response,你的y
它是連續的話,那你就是跑linear
那如果說它是binary
的話,那你就是下logicity
然後最後再把你的output
再把它output出去
那這邊的話就是output的結果
那output的話,我現在跑linear的話
你會得到一個就是.linear的檔案
那這.linear檔案的話
那我們一般有興趣的話,你可能就可以
直接去看它的beta
以及它的那個p-value
那這就簡單一點的話
single locus association的部分
其實到這邊就可以結束
其實一般,但是這邊有一個
非常就是算是代表性的圖
就是一般做完
single locus association的時候
一定會有所謂的Manhattan plot
那Manhattan plot的話
為什麼叫Manhattan plot,主要就是因為
它的圖看起來
就是一塊一塊很像那種高樓的感覺
就很像
那Manhattan如果說你去照它
那城市景象的話,看起來就好像一棟一棟
高樓的樣子,所以才叫Manhattan plot
那Manhattan plot這邊的話
我介紹就是上一張
用的hyperview,用hyperview的話
也一樣可以畫出Manhattan plot
首先就是打開hyperview之後
你可以在
你首先先選到這邊
照第一個步驟,你先選到plink format
那一個的tab,按下去之後
它會要你import所謂的reduct file
跟map file,reduct file就是剛才的
那個.linear檔,那map file的話
就是你那個.bin檔
那import完之後,那你就
可以直接點選ok
點選ok之後就會進到
就是那個marker information
的那個結果
然後其實這個結果就是所謂的.linear
的output檔,那一樣的
p-value在這,然後beta在這
那我們這邊的話主要是針對p-value
去畫圖
可以直接點選plot
點選plot之後
它會跳出一個視窗,就是一些設定
你可以設定你的title
然後你的y
想要畫你的y軸,y軸的話我們就是
所謂的p-value,那y軸這邊
scale的話,一般我們所謂都會畫
會用float 10的scale去畫
然後
你可以設定一些stress hold
比如像這邊的1.301就是
0.05的float 10的結果
那7.090是一個buffer only的
那個界
然後其他設定
你可以選定說你的那個圖的大小之類的
選定完之後按下ok
之後它就會執行
然後就會畫出所謂的Mahatman plot
那Mahatman plot的話
它這個圖怎麼看呢
主要說它的橫軸
橫軸的話就是
照chromosome 1,chromosome 2
一直排到chromosome 22,然後y軸的話
就是剛才講的float 10的
那個p-value,那
這邊剛纔有你選的兩個
stress hold的線,0.05的
跟buffer only的level,那你會看到說
有一個點
有一個點其實在這條buffer only
的這條線上面
就這RS171802299
那這也就是那個
我們paper上面show的
就是它針對現在這個phenotype
裡面最顯著的那個點
那做完Mahatman plot之後
另外我們也會畫一個QQ plot
QQ plot主要它
有一個好處就是說檢定說
你現在這個model你到底算不算準
你到底正不正確
在我們現在這個結果你可以看到這個QQ plot
右上角這點
也就表示是剛才那個sneak
它就是剛才最顯著的那個點
但它一般而言我們一般知道
p-value它是follow uniform的分配
所以說它應該會沿著你這個
45度線這條紅線
沿著它這樣跑上去
那如果說你現在看到有一個QQ plot
它的分佈有點像是
這樣突然間就跳起來的話
那這樣的話你可能要考慮就是
可能有一些問題,第一個可能就是
你的covariate可能有一些沒有考慮到
confounded one的校正,因為你現在抓
因為照理來講
我們針對任何一個disease或phenotype
或conceptive trait去做分析的時候
通常不太會有這種情況
你可能就是少考慮到一些confounded
所以它抓到的一些東西其實
不是真的這個sneak的genetic effect的效果
所以說
我們所以得要把它那個
所以得要重新考慮一下你的model的
正確性,那
所以說Mirana Plasma跟QQ plot其實在剛才
前面一開始R課程也有介紹過
說你也可以用R去畫
那我們這邊只是用HP去介紹,如果說你想用R畫的話
你也可以用QQman或是GWAS
Tour這兩個package裡面
可以畫這兩個圖的那個
方選,那
剛才前面跑了一個linear model
那其實說一般在
genetic這一塊你要做association的時候
其實有很多種model可以做,那這邊的話
底下後面這邊附錄就可能不會細講
只是單純就把可能
有哪些test單純的列出來
Earlier Bayes, Juno-Turk Bayes
跟TrendTest
然後以及這邊的話
最後會再列一下就是plink它
其實提供很多那個
association的那個function
可以供大家做參考,然後最後
是plink剛才從
我們剛才用plink其實主要
做data QC以及
association study,那其實plink
還可以做很多事,那比如像說
它可以做剛才講的
association study,它也可以做
family-based的,那其實它
也可以做interaction,interaction的話
有包括所謂的gene-gene interaction
以及你的那個
gene-by-e的interaction
就genetic跟environment的interaction
那另外它剛才前面有介紹
它也可以有R的plot-in
就是說它可以結合R
讓你的,讓你直接讀取
plink的資料,那
plink幫你把資料讀進去之後
在R讓你去做分析,然後
可以讓plink幫你去跑
另外也有像那種PRS
之類的LD的measurement
所以plink其實還可以做
蠻多事,只是在這邊我們只是針對
data QC以及簡單的
single locus association去做介紹
所以大概的課程
就是這樣
好,謝謝
