R语言基于seqMeta实现GWAS数据元分析

全基因组关联分析（GWAS）为研究单核苷酸多态性提供了便利，同时为我们后期研究遗传表型多样性提供了媒介。然而，GWAS研究因为是种群研究往往需要大量的队列信息，那么多中心、大样本的数据研究成为必要的步骤。我们今天介绍一个基于SNP共位点信息集合也就是对应的基因，用于GWAS多研究的元分析工具包seqMeta。该包可以适应不相关个体的连续、二进制和生存结果，以及相关个体的连续结果。我们还为条件分析和并行化提供了方便的函数。首先看下包的安装：

install.packages(seqMeta)

接下来我们看下此包的几个核心函数：

1. prepScores 各研究贡献打分。其函数构成

其中主要的参数：

Z指的是数据矩阵，行（样本）*列（SNPs），这里的SNPs指的是转化为0，1，2的值的矩阵数据。当然也有缺失值可以用NA来标注。

Formula 指的是一个需要加入的协变量公式。数据变量来源于后面的data数据。

SNPInfo 指的是SNPs和基因对应的数据矩阵，构成是Name和Gene。

Data 指的是和样本一一对应的其它临床信息。成为SNP分析的协变量数据源。

Kins 指的是家族亲属关系矩阵。

我们来看下包中自带的实例：

data(seqMetaExample)#包含了我们上面所需的几个数据参数。
c1 <- prepScores(Z1, y~bmi+sex, SNPInfo= SNPInfo, data = pheno1)
c2 <- prepScores(Z2, y~bmi+sex, SNPInfo= SNPInfo, kins = kins,data = pheno2)

2. skatMeta基于SKAT(sequenceKernel association test)方法的元分析。

其中主要的参数：

Wts主要指的是SNPInfo中的权重值的设定。

Method指的P值的计算方法

实例：

meta.results <- skatMeta(c1, c2, SNPInfo= SNPInfo)

上表中各变量的含义：

当然也可以对单研究进行分析：

study1.results <- skatMeta(c1, SNPInfo =SNPInfo)

3. burdenMeta 元负担分析。主要是基于纳入的mafRange对SNPInfo进行加权处理。确定引入的burden。

其中主要的参数mafRange主要是指的突变频率的范围，此处包括端点在内。

实例：

meta.t1.results <- burdenMeta(c1, c2,wts = function(maf){maf < 0.01}, SNPInfo = SNPInfo)

meta.t1.results <- burdenMeta(c1, c2,wts =1, mafRange = c(0,0.01), SNPInfo = SNPInfo)

通过上面两种方式会得到同样的结果，所有我们只需要设置一个参数即可。

4. skatOMeta 最佳SKAT分析方法。结合SKAT和burden分析两者进行元分析

其中主要的参数是rho主要指的0~1之间的数值，用来表征（1-rho）SKAT和（rho）Burden的比例。

实例：

meta.skato.results <- skatOMeta(c1, c2,rho=seq(0,1,length=11), burden.wts = function(maf){dbeta(maf,1,25)}, SNPInfo =SNPInfo, method = "int")
format(head(meta.skato.results),digits=2)

上表中值的意义：

Pmin指的是参数中的rho；errflag指的是是否有错误的P-value值。如果有的话需要更换method，以确保值为0。

5. singlesnpMeta 单个SNP的评估，上面都是基于区域的meta分析，此函数基于单个SNP进行计算。

其中主要的参数是否计算studyBetas，默认是TRUE，计算的。

实例：

meta.ss.results <- singlesnpMeta(c1, c2,SNPInfo = SNPInfo, studyBetas = TRUE)
format(head(meta.ss.results),digits=2)

当然我们也可以通过prepCox构建生存模型，实例如下：

c1.cox <- prepCox(Z=Z1, Surv(time,status) ~ bmi + strata(sex),SNPInfo = SNPInfo, data =pheno1)