全基因组关联分析学习资料(GWAS tutorial)20210313更新版
作者:互联网
时隔一年多,于今日(20210313)再次更新教程,后续如果新出教程的话会一直更新。
同时感谢多年陪伴我成长、一直默默关注我的你们~
by 橙子牛奶糖(陈文燕)
1.前言
很多人问我有没有关于全基因组关联分析(GWAS)原理的书籍或者文章推荐。
其实我个人觉得,做这个分析,先从跑流程开始,再去看原理。
为什么这么说呢,因为对于初学者来说,跑流程就像一个大黑洞,学习原理就像一个小黑洞。
很多人花了好几个月的时间在看原理,一旦丢给他数据去分析,依旧束手无策。
不会跑流程,内心依旧会很恐慌。就像从来没有入门一样。
所以,我的建议是咱们先不去管原理,直接从分析入手。
等把数据跑出来了,整个流程的技能点满了,再去看看它的原理。
2.入门:学习GWAS的在线网站:
对于没有编程基础的人来说,建议先从一个在线的网站走一遍GWAS流程。
这样就能知道完成GWAS需要多少个步骤,心里大概有个底。
easygwas网站提供了公共数据,可以直接开始分析GWAS。整个流程按照网站提示,很简单。
网址:https://easygwas.ethz.ch/
3.进阶
3.1 备选1:在linux下学习GWAS的实操数据
由于我们最终还是需要拿着自己的数据完成GWAS分析,不必避免的需要一定的编程基础。
在线网站只是一个提供理解GWAS流程的网站,因此,我们还是需要在linux系统下拿一些数据练练手。学会最基本的命令行。
在这里,我推荐一个提供linux下学习GWAS的教程:GWA_tutorial.
网址:https://github.com/MareesAT/GWA_tutorial/
网站分为四个教程:1)GWAS的数据QC; 2)处理群体分层; 3)关联分析(GWAS); 4)多基因风险得分分析(Polygenic risk score analyses)
示例数据都有了,就等你自己上手了。
我敢保证,当你能完整的跑完这个流程的时候,你对GWAS的理解少说也有70% ,下一个在群里帮我解答问题的大神就是你了(申请进群方式见公众号菜单栏)。
3.2 备选2:使用R语言做GWAS分析
有些人对R语言可能比较熟悉,这里提供了一个用R语言分析GWAS的流程。
该流程有:GWAS的QC,PCA分析,Manhattan图,QQ图,候选位点的功能分析
感兴趣的看这个:Genome-wide association studies in R
网址:https://www.r-bloggers.com/genome-wide-association-studies-in-r/
3.3 备选3(当然是我的教程啦~~~~)
3.3.0 原理
3.3.1 分析流程
3.3.2 数据处理
3.3.2.1 数据质量过滤
GWAS基因芯片数据预处理:质量控制(quality control)
3.3.2.2 正负链翻转(stand flip)
3.3.2.3 基因型数据填补(imputation)
soga,网页版的基因型填充可以这么做(genotype imputation)
3.3.2.4 群体分层校正
GWAS群体分层 (Population stratification):利用plink对基因型进行PCA
3.3.3 关联分析
GWAS: 曼哈顿图,QQ plot 图,膨胀系数( manhattan、Genomic Inflation Factor)
对曼哈顿图(Manhattan plot )多个显著位点标志不同颜色,拒绝屎一样的绿色
3.3.4 meta分析
只用一行命令,就可以学会全基因组关联分析(GWAS)的meta分析
3.3.5 条件分析
GWAS条件分析(conditional analysis):作用,步骤,结果解读
3.3.6 基因多效性
3.3.7 gene-based 关联分析
使用VEGAS2(Versatile Gene-based Association Study)进行gene based的研究
3.3.8 孟德尔随机化分析
讲一讲孟德尔随机化分析中的敏感性分析(sensitivity analyses)
使用MR-PRESSO检验水平基因多效性(孟德尔随机化分析)
孟德尔随机化(Mendelian Randomization) 统计功效(power)和样本量计算
3.3.9 LocusZoom图、连锁不平衡图(LD block)
推荐一个画连锁不平衡图(LD block)的软件LDBlockShow,亲测比haploview好用!
一个R包(IntAssoPlot),LocusZoom图、连锁不平衡图和基因结构图一步到位
3.3.10 多基因风险评分(Polygenic Risk Score)
GWAS系列分析:多基因风险评分(Polygenic Risk Score)的计算
多文解读:多基因分险得分(Polygenic risk score,PRS)应用
3.3.11 基因多效性、遗传度、遗传相关性
利用GCTA工具计算复杂性状/特征(Complex Trait)的遗传相关性(genetic correlation)
3.3.12 常规 fine-mapping 分析
GWAS这么多信号位点,哪一个才是影响表型的决定性位点?fine-mapping:PAINTOR教程
3.3.13 共定位分析
eQTL、mQTL共定位分析(Summary-data-based Mendelian Randomization,SMR)
3.3.14 富集分析
DEPICT实现基因优化、gene set富集分析、组织富集分析(tissue enrichment)
3.3.15 全转录组分析
基于GWAS结果预测靶基因及特异性组织的表达(又名全转录组分析)
3.3.16 上位效应(epistasis)分析
3.3.17 其他的 GWAS 后续分析
GWAS:拒绝假阳性之case和control数量比例严重失衡的解决方案(SAIGE模型的应用)
使用metaCCA进行单/多个SNP与多表型的典型相关性分析
3.3.18 SNP 注释
批处理!功能富集分析、基因ID转换、查找同源基因、SNP注释一站式服务
3.3.19 增强子、启动子、转录因子等调控元件数据库
查询、可视化变异位点/序列是否有enhancers和Epromoters活性
EpiRegio:查找感兴趣的基因、基因组区域是否有调控元件
(史上最全)SNP位点与转录因子结合特异性数据库:GVATdb
感兴趣的SNP/区域上是否有增强子/转录因子?增强子/转录因子调控哪个靶基因?(EnhancerDB)
3.3.20 其他相关数据库
囊括45万人数据,778个表型,3千万个位点的公共数据库:GeneATLAS
Mouse Genome Informatics(MGI)数据库介绍
LDtrait工具: 查找SNP及其高度连锁位点显著相关的表型
3.3.21 进化相关分析
kaks calculator批量计算多个基因的选择压力kaks值
使用 KaKs Calculator 计算 KaKs 的衍生问题解答
平衡选择(Balancing Selection)检测及应用
haploPS、XP-EHH、 Fst检测正向选择信号的实例介绍
3.3.22 相关文献阅读
什么!GWAS研究中case和control的比例是有讲究的?
GWAS文献解读:The stability of educational achievement
GWAS+自然选择:62个样本的GWAS分析,没信号,如何巧妙的发文章
4. 其他补充
4.1 GWAS其他教程:
www.transplantdb.eu/sites/transplantdb.eu/files/HandsOnTutorialtoGWAS_Seren-030715.pdf
https://doc.goldenhelix.com/SVS/tutorials/snp_gwas/index.html
ccbb.jnu.ac.in/IUBDDJan2015/workshop_files/GWAS Tutorial.pdf
https://www.r-project.org/conferences/useR-2009/slides/Zhao+Tan.pdf
users.du.se/~lrn/NOVAComputerExercises/NOVA_GenABEL_tutorial.pdf
gsea4gwas-v2.psych.ac.cn/docs/tutorial.jsp
www.montefiore.ulg.ac.be/~kvansteen/GeneticEpi-UA2/Class5/Introduction to GenABEL.pdf
4.2 看看文献,加深对GWAS的理解:
A tutorial on conducting genome‐wide association studies: Quality control and statistical analysis(网址:https://onlinelibrary.wiley.com/doi/full/10.1002/mpr.1608)
Genome-wide association studies and beyond(网址:https://www.ncbi.nlm.nih.gov/pubmed/20235850)
Genome-wide association studies(网址:https://www.ncbi.nlm.nih.gov/pubmed/23300413)
标签:分析,GWAS,20210313,基因,更新版,3.3,SNP,位点 来源: https://blog.csdn.net/wendy_milk/article/details/114781699