数据预处理(DNA genotyping.Quality control.Imputation) QC的工作可以做PLINK上完成Imputation的工作用IMPUTE2完成 2. 表型数据统计分析 逻辑回归(表型数据为二元) 线性回归(表型数据为连续性变量) 表型数据正态分析(如果不是正态分布,需转换处理为正态分布) 表型数据均值.中值.最大值.最小值 影响因子对表型的影响分析 3.画曼哈顿图(GWAS)和QQ plot图 (一).准备plink文件 (1).准备PED文件 PED文件有六列

现在GWAS已经属于比较古老的技术了,主要是碰到严重的瓶颈了,单纯的snp与表现的关联已经不够,需要具体的生物学解释,这些snp是如何具体导致疾病的发生的. 而且,大多数病找到的都不是个别显著的snp,大多数都找到了很多的snp,而且snp都落在非编码区了,这就导致对这些snp的解读非常的困难. 目前,已经有非常傻瓜式的GWAS pipeline了,比如:A tutorial on conducting genome‐wide association studies: Quality contr

欢迎关注微信公众号"bio生物信息" GeneATLAS的数据全部来自 UK Biobank 的452,264个英国白人样本. 总共囊括的表型有778个,位点有三千万个. 优点 网站所有关联分析的summary数据都是可以下载的. 而且提供了所有表型的原始基因型数据的曼哈顿图.imputation的曼哈段图.Q-Q Plot 可以说是相当贴心了. 缺点 不能下载原始基因型数据. 样本是欧洲群体,可能某些结果在其他群体有差异. 这个网站可以下载什么 1. 下载表型数据 比如搜索肥胖表型,

我已经通过Gemma得到了关联分析的结果,如下. prefix.log.txt 中包含了一个总的PVE,这不是我们想要的. 那么,如何计算这些位点的表型解释率? 据了解,有些关联分析软件是可以同时得到这个信息的,比如Tassel. 参考:Whole-genome resequencing of wild and domestic sheep identifies genes associated with morphological and agronomic traits 有人说GAPIT的结

生信其实很简单,就是用别人的工具调参就行了.生信也很折腾,哪一步都可能遇到问题,随时让你疯掉(老辩证法了~).但是,你遇到的问题大部分人也都经历过.这时,检索技能就显得很重要了.平时Biostar和StackOverflow之类的网站肯定要经常光顾的. 另外,Researchgate论坛上有一些整理的比较好的topic,比如GWAS.如果你是新手,那么里面很多问答能解决你的大部分疑惑. GWAS - Science topic

comvert hmp to ped1, ped2, map fileSB1.ped, SB2.ped, SB.map 1, choose 20 markers for 30 times(WD: /share/bioinfo/miaochenyong/GWAS/SB/20Markers-1To5Effect)python ../choose_multi-markers.py SB.imputed.916.filtered.hmp 20 30 marker pheno 2, combine phe

GWAS的数据形式:SNP数据,即各个SNP位点的aa,Aa,AA基因型与疾病状态(0正常,1患病)的样例-对照数据. 在遗传流行病学上,全基因组关联研究(Genome Wide Association Studies,GWAS)是一种检测特定物种中不同个体间的全部或大部分基因,从而了解不同个体间的基因变化有多大的一种方法.不同的变化带来不同的性状,如各种疾病的不同. 这些研究通常比较两组参与者的DNA:有疾病的人(病例)和相同条件的无该疾病的人(对照).每个人都提供些作为样本的细胞,如从口腔内

一.什么是多基因风险评分 传统的GWAS研究只计算单个SNP位点与表型之间的关联性,再用Bonferroni校正,通过给定的阈值,筛选出显著的SNP位点. 这样会存在两个问题,第一.Bonferroni校正非常严格,很多对表型也有贡献的位点会因为达不到阈值而被过滤掉.第二.单个位点对表型的解释度是很低的,尤其是对于高血压这种多基因控制的表型,用一个个单独的位点解释高血压患病风险,就显得很单薄. 因此,开发一个能让我们直观的感受,患某种疾病的风险多高的工具,显然是非常有必要的. ​为了更好理解多基

一.为什么要校正case和control数量比例不平衡情况 试问作为生信届人员,最怕的是什么,当然是统计结果不靠谱.统计结果不靠谱包括两方面:一个是假阴性,一个是假阳性.假阴性可以理解为白天鹅被误当成丑小鸭了,假阳性可以理解为一大堆青蛙,你不知道哪个才是你的真命天子.假阴性就罢了,最多让你错过发现真理的机会,但万一假阳性呢,你拿着一个看似完美的结果吭哧吭哧做实验验证,一年半载的周期下来,什么结果都验证不出来,岂不是坑了做实验的人.因此,我们就要在源头上,把这个不靠谱的统计结果杜绝出去. 上一篇文

GWAS研究中,表型分两种.第一种是线性的表型,如果身高.体重.智力等:第二种是二元的表型,比如患病和未患病,即通常所说的case和control.对于表型是线性的样本来说,是不存在case和control比例不平衡的情况的,但是对于表型是二元的样本,比如疾病和对照组(健康人群),case和control比例失衡,可能会出现N多的假阳性结果.具体看看下面的例子. 例子1:case和control比例在稍微正常的情况下,比如冠心病(coronaryartery disease,case:contr

一.数据为什么要做质量控制 比起表观学研究,GWAS研究很少有引起偏差的来源,一般来说,一个人的基因型终其一生几乎不会改变的,因此很少存在同时影响表型又影响基因型的变异.但即便这样,我们在做GWAS时也要去除一些可能引起偏差的因素. 这种因素主要有:群体结构.个体间存在血缘关系.技术性操作. 二.怎么看数据是否需要进行质量控制 下面分别为样本和SNP位点在数据中的直方图,当数据不在绝大多数的分布当中时,我们会倾向于认为那是测序.人工操作等其他方面造成的误差,而非该个体的真实情况,因此是需要将这些

今天要讲的一篇是发表于 Hum Genet 的 "Shared genetic architecture between metabolic traits and Alzheimer's disease: a large-scale genome-wide cross-trait analysis" .很中规中矩的一篇文章,没有什么大的亮点的.写它的主要原因整篇文献思路很流畅,次要原因是我懒,不愿意看费脑子的文章. 以下,进入主题: 背景 阿尔茨海默病(AD)是一种进行性和破坏性的神经

一.为什么要做祖先成分的PCA? GWAS研究时经常碰到群体分层的现象,即该群体的祖先来源多样性,我们知道的,不同群体SNP频率不一样,导致后面做关联分析的时候可能出现假阳性位点(不一定是显著信号位点与该表型有关,可能是与群体SNP频率差异有关),因此我们需要在关联分析前对该群体做PCA分析,随后将PCA结果作为协变量加入关联分析中. 二.怎么做PCA? 简单一个“--pca”参数即可 plink --bfile myfile --pca 10 --out myfile_pca #这里只取前10

一.为什么要做GWAS的条件分析(conditional analysis) 我们做GWAS的时候,经常扫出一堆显著的信号,假设rs121是我们扫出来与某表型最显著相关的位点(P=1.351e-36),rs124尾随其后(6.673e-22),也是与该表型显著相关,那么这个时候,我们就有问题了:这个rs124位点是真的与该表型显著相关,还是因为rs124与rs121高度连锁不平衡(linkage disequilibrium).换句话说,rs124之所以出类拔萃,是因为它本身厉害,还是有rs12

假如你的GWAS结果出现如下图的时候,怎么办呢?GWAS没有如预期般的扫出完美的显著信号,也就没法继续发挥后续研究的套路了. 最近,nature发表了一篇文献“Common genetic variants contribute to risk of rare severe neurodevelopmental disorders”,活生生的演绎了怎么将糟糕的结果自圆其说. 研究发现队列:英国人群 6,987cases and 9,270 controls of European ancestr

1.列表包括数据库名称.表型.是否能下载到基因型(genotype).是否能下载到GWAS结果文件(P值.效应值.SNP位点).目前收集到的有如下: 参考到这些数据库的文献:Genome-wide association study identifies 74 loci associated with educational attainment 2.The Japanese Genotype-phenotype Archive (JGA)  :该数据拥有个体水平的基因型和表型数据,需要申请,已

使用limma.Glimma和edgeR,RNA-seq数据分析易如反掌 Charity Law1, Monther Alhamdoosh2, Shian Su3, Xueyi Dong3, Luyi Tian1, Gordon K. Smyth4 and Matthew E. Ritchie5 1The Walter and Eliza Hall Institute of Medical Research, 1G Royal Parade, Parkville, VIC 3052, Melbo

欢迎来到"bio生物信息"的世界 6天前,BMC Genomics 推了一篇文献"Population history and genetic adaptation of the Fulani nomads: inferences from genome-wide data and the lactase persistence trait". 要不是这个标题起的太大,又是Population history,又是 genetic adaptation ,我可能都不

GWAS Catalog The NHGRI-EBI Catalog of published genome-wide association studies EBI负责维护的一个收集已发表的GWAS研究的数据库 Catalog stats Last data release on 2019-09-24 4220 publications 107486 SNPs 157336 associations Genome assembly GRCh38.p12 dbSNP Build 151 Ense

前言 关于全基因组关联分析(GWAS)原理的资料,网上有很多. 这也是我写了这么多GWAS的软件教程,却从来没有写过GWAS计算原理的原因. 恰巧之前微博上某位小可爱提问能否写一下GWAS的计算原理.我一顺口就答应了. 后面一直很懒,不愿意动笔,但想着既然答应了,不写说不过去. 我写这段话的意思是,如果你有任何关于GWAS分析问题或者疑问,希望我能写一下的,可以跟我说. 如果我认为有价值,写出来对大家有帮助的话,会写的. GWAS所涉及的公式:最小二乘法 首先,我们来一个知识点的回顾:最小二乘法