前言：與復(fù)雜疾病相關(guān)的遺傳因素的研究方法

? ? ?基于當(dāng)前流行病學(xué)研究的進(jìn)展及研究熱點(diǎn)，小云在這里為大家簡(jiǎn)單介紹一下關(guān)于全基因組關(guān)聯(lián)研究（Genome-wide association study，GWAS）（以下簡(jiǎn)稱GWAS）。全基因組關(guān)聯(lián)研究發(fā)展已有二十多年了，研究人員們發(fā)現(xiàn)了大量和人類疾病以及其它表型相關(guān)聯(lián)的基因，GWAS是現(xiàn)代遺傳學(xué)的重要組成部分，推動(dòng)了孟德爾隨機(jī)化和多基因風(fēng)險(xiǎn)評(píng)分的發(fā)展與應(yīng)用。

一、基本概念：

? ? ?GWAS是對(duì)多個(gè)個(gè)體在全基因組范圍的遺傳變異（標(biāo)記）多態(tài)性進(jìn)行檢測(cè)，獲得基因型，進(jìn)而將基因型與可觀測(cè)的性狀，即表型，進(jìn)行群體水平的統(tǒng)計(jì)學(xué)分析，根據(jù)統(tǒng)計(jì)量或顯著性 p 值篩選出最有可能影響該性狀的遺傳變異（標(biāo)記），挖掘與性狀變異相關(guān)的基因。

? ? ?相對(duì)于連鎖分析的優(yōu)勢(shì)
? 關(guān)聯(lián)定位的相對(duì)優(yōu)勢(shì)：
? 1）分辨率高（單堿基水平）
? 2）研究材料來(lái)源廣泛，可捕獲的變異豐富
? 3）節(jié)省時(shí)間

? ?材料選擇與群體設(shè)計(jì)

材料選擇的基本原則
基本原則
1）遺傳變異和表型變異豐富
2）群體結(jié)構(gòu)分化不能過(guò)于明顯（如亞種以上,發(fā)生生殖隔離是不能做GWAS的）

樣本量
非稀有變異中，對(duì)中等變異解釋率（10%左右）的位點(diǎn)的檢測(cè)功效要達(dá)到80%以上時(shí)，需要的樣本量在400左右。
位點(diǎn)的效應(yīng)越低，需要的樣本量越大。

? ? ?關(guān)聯(lián)分析的三要素：

1、測(cè)定某一群體的表型數(shù)據(jù)

2、測(cè)量該群體的基因型數(shù)據(jù)

3、進(jìn)行關(guān)聯(lián)計(jì)算

? ? ?實(shí)操：

作為生信分析里最基礎(chǔ)的技能之一，有人花了很大的時(shí)間和精力都不能夠完成一次GWAS，

小云在這里用最簡(jiǎn)單的數(shù)據(jù)和代碼跑一遍GWAS，希望能夠幫助大家更好的理解GWAS。

數(shù)據(jù)：測(cè)試一組狗全基因組的遺傳變異與分類形狀（毛皮顏色）之間的關(guān)系。
操作系統(tǒng)：Linux

1）、下載樣品vcf文件和表型數(shù)據(jù)

Wget?https://de.cyverse.org/dl/d/E0A502CC-F806-4857-9C3A-BAEAA0CCC694/pruned_coatColor_maf_geno.vcf.gz

wget https://de.cyverse.org/dl/d/3B5C1853-C092-488C-8C2F-CE6E8526E96B/coatColor.phen

?

2）、解壓VCF文件之后 查看數(shù)據(jù)

gunzip pruned_coatColor_maf_geno.vcf.gz

#表型數(shù)據(jù) 前兩列也是FID and IID，第三列是表型。

##查看文件發(fā)現(xiàn)，這個(gè)數(shù)據(jù)涉及53只小狗的476840個(gè)SNP,表型：24只黃毛犬 29只深色毛犬

3）、安裝pink和vcftools

###安裝plink

wget http://zzz.bwh.harvard.edu/plink/dist/plink-1.07-x86_64.zip

rm -f plink_linux_x86_64.zip

cd plink-1.07-x86_64/

echo export PATH=$PATH:$(pwd) >> ~/.bashrc

source ~/.bashrc

###安裝vcftools

git clone https://github.com/vcftools/vcftools.git

cd vcftools

./autogen.sh

./configure

make

sudo make install

?

當(dāng)然也可以直接用conda 裝

4）、將vcf文件轉(zhuǎn)換成map、ped格式，然后轉(zhuǎn)換為Plink二進(jìn)制格式（fam，bed，bim）? ?

vcftools --vcf pruned_coatColor_maf_geno.vcf --plink --out coatColor

?plink --file coatColor --allow-no-sex --dog --make-bed --noweb --out coatColor.binary

5）、#候選等位基因列表創(chuàng)建，awk編輯文本

cat pruned_coatColor_maf_geno.vcf | awk?'BEGIN{FS="\t";OFS="\t";}/#/{next;}{{if($3==".")$3=$1":"$2;}print $3,$5;}' ?> alt_alleles

?

6）、關(guān)聯(lián)分析

plink --bfile coatColor.binary --make-pheno coatColor.phen "yellow" --assoc --reference-allele alt_alleles --allow-no-sex --adjust --dog --noweb --out coatColor

?

7）、畫圖

#數(shù)據(jù)處理

unad_cutoff_sug=$(tail -n+2 coatColor.assoc.adjusted | awk '$10>=0.05' | head -n1 | awk '{print $3}')

unad_cutoff_conf=$(tail -n+2 coatColor.assoc.adjusted | awk '$10>=0.01' | head -n1 | awk '{print $3}')

#R繪圖

data=read.table("coatColor.assoc", header=TRUE); data=data[!is.na(data$P),]

bitmap("coatColor_man.bmp", width=20, height=10)

library(qqman)

png(“man.pdf”)

manhattan(data, p = "P", col = c("blue4", "orange3"),suggestiveline = 12,genomewideline = 15,chrlabs = c(1:38, "X"), annotateTop=TRUE, cex = 1.2);

dev.off();

###最后的結(jié)果圖和生成文件，是不是很簡(jiǎn)單呢？關(guān)注小云，下期將為大家?guī)?lái)更多使用生信技巧。

最后小云祝大家學(xué)業(yè)有成，事事順心