BioF3 组学数据分析
07 GWAS 入门
07 GWAS 入门
全基因组关联分析（GWAS）找的是"哪些基因组位点和某个表型（疾病、身高、药物响应）有统计学关联"。
基本流程
基因型数据（PLINK 格式）+ 表型文件
→ QC（MAF、HWE、缺失率、亲缘关系）
→ 关联检验（线性/逻辑回归，校正 PC）
→ Manhattan plot + QQ plot
→ 显著位点注释
PLINK 2 做关联
# 二分类表型（case/control）
plink2 --bfile cohort \
--pheno phenotype.txt \
--covar covariates.txt \
--glm \
--out gwas_results
# 输出 gwas_results.PHENO1.glm.logistic.hybrid
Manhattan plot
library(qqman)
results <- read.table("gwas_results.PHENO1.glm.logistic.hybrid",
header = TRUE)
manhattan(results, chr = "CHROM", bp = "POS", p = "P", snp = "ID",
suggestiveline = -log10(1e-5), genomewideline = -log10(5e-8))
QQ plot
QQ plot 检查 p 值的整体膨胀（genomic inflation factor λ）。λ > 1.1 说明有群体分层或其他混杂没控制好。
qq(results$P)
常见坑
- 群体分层：不同祖源的人混在一起会产生假关联。用 PCA 的前几个 PC 做协变量
- 多重检验：全基因组显著性阈值是 5×10⁻⁸（Bonferroni 校正 ~1M 独立检验）
- LD 结构：一个显著信号可能对应一整个 LD block 里的几十个 SNP，真正的因果变异需要 fine-mapping
补充几条常见误判：
坑：样本量不足直接跑 GWAS
GWAS 需要大样本量（至少几千，理想几万）才能稳定检测到 OR ~1.1 的弱效应。< 1000 样本跑 GWAS 几乎不可能找到 5e-8 显著位点，先评估 power 再决定要不要做。
坑：不做 HWE 过滤
显著偏离 Hardy-Weinberg 平衡的位点通常是基因型分型错误。case/control 设计中只在 control 样本里检查 HWE（case 因为关联本身可能偏离 HWE）。
坑：QQ plot 严重 inflation 直接发表
λ > 1.05 通常说明群体分层没控制好。多加几个 PC 做协变量，重新跑直到 λ 回归 1.0 附近。
坑：找到一个显著 SNP 就当成 causal variant
一个显著信号可能对应一个 LD block 里的几十个相关 SNP，**真正的 causal 变异需要 fine-mapping（FINEMAP / SUSIE）**或功能验证（eQTL、CRISPR）。
坑：忽略 imputation 质量
INFO score < 0.3 的 imputed 变异不可信。imputation 后必须 --info 0.3 过滤，不然假阳性堆积。
下一步
接着深入：
- 08 临床变异解读与报告 — 找到的显著位点如何翻译成临床意义
横向延伸：
- 06 群体遗传：PCA / 祖源 / LD — GWAS 的群体结构 QC 是 06 章的延伸
- GWAS Catalog — 你找到的显著位点是不是已经被报道过