R语言中的共定位分析
H0: 表型1（GWAS）和 表型2 （以eQTL为例）与某个基因组区域的所有SNP位点无显著相关。
H1/H2：表型1（GWAS）或表型2（以eQTL为例）与某个基因组区域的SNP位点显著相关。
H3：表型1（GWAS）和 表型2 （以eQTL为例）与某个基因组区域的SNP位点显著相关，但由不同的因果变异位点驱动。
H4：表型1（GWAS）和 表型2 （以eQTL为例）与某个基因组区域的SNP位点显著相关，且由同一个因果变异位点驱动。基于上面的假设，第四种设想 H4 在统计学上概率越高，越能解释显著信号位点如何影响表型。，H4值的范围在0-1之间，0表示概率为0%，1表示概率为100%。后验概率越高越好。很多文献认为PPA > 0.95的位点是共定位位点，也有一些文献会放松要求到0.75。接下来我们看下在R中如何进行实现这个分析方法。首先是包的安装：
install.packages("coloc")1. 数据的准备
###test data
data(coloc_test_data)
attach(coloc_test_data)
plot_dataset(D1)
接下来我们看下输入数据的结构：
1） SNP的基础信息，包括SNP的ID（不一定是rsID）和SNP位置
2）关联分析的效应信息，包括beta值和效应方差方差varbeta，如果没有这一项，就需要有P、MAF和N
3） sdY，Y的标准差。或者 MAF，次等位基因频率；N，样本量。
4） type，分析的类型，有quant和cc两种，分别代表数量性状关联和Case/Control分析
5） p ：未校正的 p 值；fdr ：校正后的 p 值
6） beta ：效应值，也就是线性回归的斜率
7） t-statistic ：T检验的统计量
8） varbeta 效应值方差。计算公式如下：
既然数据结构确定那么不同的表型类型所需要的必须数据情况如下：
cc表型：
rs编号rs_id、P值、效应值beta、效应值方差varbeta；
quant表型：
1）rs编号rs_id、P值、表型的标准差sdY；
2）rs编号rs_id、P值、次等位基因频率 MAF；
最后就是数据的载入，在这里需要注意的是coloc接受的数据格式是列表，而且type和sdY需要在转换成列表后再指定，并且type只需要指定一个值。接下来看下我们实例中的数据结构：
2. 共定位分析
####abf 算法
my.res <- coloc.abf(dataset1=D1, dataset2=D2)数据结果中包含两个子结果，一个是summary，主要描述了SNPs数量，以及H0(无因果变量)、H1(仅为性状1的因果变量)、H2(仅为性状2的因果变量)、H3(两个不同的因果变量)和H4(一个共同的因果变量)的后验概率。
另一个结果是result，主要描述的是每一个SNP位点的贝叶斯算子以及中间计算过程
上面结果中SNP.PP.H4表示的是GWAS显著信号和eQTL位点为同一个位点的后验概率，范围在0-1之间，0表示概率为0%，1表示概率为100%。后验概率越高越好。