笔记 | GWAS 操作流程5-2：利用GEMMA软件进行LMM+PCA+协变量
笔记 | GWAS 操作流程5-2：利用GEMMA软件进行LMM+PCA+协变量
邓飞
发布于 2020-06-04 14:32:54
发布于 2020-06-04 14:32:54
笔记 | GWAS 操作流程5-2：利用GEMMA软件进行LMM+PCA+协变量
这里，我们用正常的GWAS分析，考虑所有的协变量（数值协变量+因子协变量）+ PCA协变量，然后用混合线性模型进行分析。
1. 协变量文件
「c.txt文件」
1 1 0 0 -0.0169445 0.00772371 -0.0297288
1 2 0 0 -0.0119765 0.0141166 -0.0354039
1 1 0 0 -0.0165762 0.0130623 -0.026648
1 1 0 0 -0.0143089 0.0136588 -0.0382026
1 1 0 0 -0.0136058 0.0144403 -0.0349829
1 1 0 0 -0.0222228 0.0132025 -0.0272812
1 1 0 0 -0.0106433 0.0143324 -0.0292946
1 2 0 0 -0.0205314 0.00925657 -0.0290851
1 2 0 0 -0.00568763 0.0124148 -0.0409066
1 2 0 0 -0.014353 0.0164008 -0.0298848- 第一列为截距
- 第二列为性别
- 第三列和第四列为世代
- 第五列，第六列，第七列为PCA的结果
2. 表型数据
「注意，这里表型数据也可以放在fam文件第六列，用 -n 1表示。放在第七列， 用 -n 2表示。两者结果是完全一样的，说明文档截图：」
「p.txt文件」
-3.190926
+24.290128
-19.403765
-0.815962
-19.073081
-21.106496
+15.020220
-15.985445
+5.849143
+39.5131813. plink二进制文件
c.bed c.bim c.fam4. GEMMA的LMM模型GWAS分析
「生成G矩阵」
gemma-0.98.1-linux-static -bfile c -gk 2 -p p.txt 「进行GWAS分析」
gemma-0.98.1-linux-static -bfile c -k output/result.sXX.txt -lmm 1 -p p.txt -c c.txt 「日志：」
GEMMA 0.98.1 (2018-12-10) by Xiang Zhou and team (C) 2012-2018
Reading Files ...
## number of total individuals = 1500
## number of analyzed individuals = 1500
## number of covariates = 7
## number of phenotypes = 1
## number of total SNPs/var = 10000
## number of analyzed SNPs = 3946
Start Eigen-Decomposition...
pve estimate =0.124909
se(pve) =0.0291288
================================================== 100%
**** INFO: Done.结果文件：
5. GEMMA的LMM模型和LM模型结果比较
mm_re = fread("output/result.assoc.txt")
head(mm_re)
lm_re = fread("../09_gemma_analysis_pca_cov_factor/output/result.assoc.txt")
head(lm_re)
head(lm_re1)
dim(mm_re)
dim(lm_re1)
re1 = merge(mm_re,lm_re1,by="rs")
head(re1)
# Pvalue 比较
cor(re1$p_wald.x,re1$p_wald.y)
plot(re1$p_wald.x,re1$p_wald.y,xlab = "LM",ylab = "LMM")
# Beta回归系数比较
cor(re1$beta.x,re1$beta.y)
plot(re1$beta.x,re1$beta.y,xlab = "LM",ylab = "LMM")「Pvalue比较：」
> cor(re1$p_wald.x,re1$p_wald.y)
[1] 0.4549333
「Beta结果比较：」
> cor(re1$beta.x,re1$beta.y)
[1] 0.7953077
本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2020-06-04，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录