如何从GWAS结果中获取表型解释率PVE——TASSEL、GEMMA篇

一、什么是PVE

PVE(phenotypic variation explained),是指表型变异解释率,即等位变异可以在多大程度上影响表型,这个SNP解释了表型方差的百分之多少。在数量性状的GWAS 研究里经常会看到。


二、如何从GWAS结果中获取解释率PVE


gwas关联分析可以使用很多软件,也可以计算各种模型。接下来主要说明TASSELGEMMA怎么得到解释率


1.TASSEL

TASSEL是可以直接得到pve值的,直接使用数据即可

attachments-2024-01-NdVoiPtP659f7a5711adc.png

1.1 GLM模型

marker_Rsq 即R2值,即表型解释率PVE

attachments-2024-01-qhgizeSp659f7bef7135f.png


1.2 MLM模型及CMLM模型

MarkerR2 即R2值,即表型解释率PVE

attachments-2024-01-drCu04aG659f7c6c74dce.png

注意:标记的R2(即表型的解释率),因为做的是单标记检验,每个标记都是独立计算的,所以多个标记的R2求和可能大于1,即每个标记的R2之间没有什么关系。

SNP解释百分比之和为何大于1?

在TASSEL中GLM或者MLM模型中,是单标记扫描,之所以SNP的R2(R square)之和会大于1,因为标记间存在LD,比如一个标记关联的基因能解释20%的变异,这个位点附近有6个标记都存在LD状态,那么这6个标记的解释百分比之和就会是120%。



2. GEMMA软件计算表型解释率PVE

TASSEL是可以直接得到pve值的,而有些模型和软件(如FarmCPU,Fast-LMM,EMMAX,GEMMA等)不给出R2

这种情况下,有两种方法:

法一:根据effect,se,maf计算表型解释率PVE

法二:可以选出显著的位点,使用简单回归模型(Im)进行拟合,获得R2值作为解释率。


如何根据effect,se,maf计算表型解释率PVE,公式如下:

attachments-2024-01-Hl9Nz9sb659f7f0779a01.jpg

其中:

β为GWAS中的effect值

MAF为SNP的MAF次等位基因频率

se为GWAS中effect值的标准误(se)

N为GWAS中该SNP参与分析的个体数


GEMMA软件得到的计算结果为例

1.lm模型

attachments-2024-01-Ozm5w4PA659f84901c2ef.png

这 11 列结果分别是:染色体、SNP id、碱基对在染色体上的位置、相应 SNP 的缺失个体数量、相应 SNP 的无缺个体数量、最小等位基因、最大等位基因、等位基因频率、beta 检测、beta 标准误、Wald 检验的 P 值。

再次对照公式

attachments-2024-01-Zhwyhior659f8016b9887.jpg

公式中:

β 为 GEMMA结果中的 beta,beta就是GWAS中的effect值

se 为 GEMMA结果中的 se

为 GEMMA结果中的 n_obs;如果结果中没有 n_obs,只有n_miss,就用样本总数 -  n_miss

MAF 为 GEMMA结果中的 af


2.lmm模型
attachments-2024-01-IITyfx9965a0dedd30fd5.png

lmm模型计算公式与lm一致,唯一差别就是没有n_obs,只有n_miss

在计算时,为 样本总数 — n_miss ,即做个减法

其余都是一样的。


在R语言中根据公式计算即可

#读取GEMMA软件GWAS分析结果
a<-read.table("lm.pvalue.txt",header = T, sep = '\t')     
#计算pve——lm模型
a$pve = (2*(a$beta^2*a$af*(1-a$af)))/(2*a$beta*a$af*(1-a$af) + a$se^2*2*a$n_obs*a$af*(1-a$af))
###或者计算pve——lmm模型
a$pve = (2*(a$beta^2*a$af*(1-a$af)))/(2*a$beta*a$af*(1-a$af) + a$se^2*2*(421-a$n_miss)*a$af*(1-a$af))
#只提取这4列
b<-a[c('chr','ps','p_score','pve')]  
#输出结果文件    
write.table(b, file=args$output, sep = '\t', row.names = F, quote





参考:https://zhuanlan.zhihu.com/p/448255236

https://zhuanlan.zhihu.com/p/449712020

https://www.sohu.com/a/378139452_278730

https://blog.csdn.net/wt141643/article/details/105834917

  • 发表于 2024-01-11 14:09
  • 阅读 ( 6422 )
  • 分类:软件工具

0 条评论

请先 登录 后评论
星莓
星莓

生物信息工程师

58 篇文章

作家榜 »

  1. omicsgene 701 文章
  2. 安生水 349 文章
  3. Daitoue 167 文章
  4. 生物女学霸 120 文章
  5. xun 82 文章
  6. 红橙子 78 文章
  7. rzx 76 文章
  8. CORNERSTONE 72 文章