gwas

首页 > TAG信息列表 > gwas

使用 emmax 进行GWAS分析

001、 root@PC1:/home/test# ls gwas_test.map gwas_test.ped root@PC1:/home/test# plink --file gwas_test --recode 12 transpose --out emmax_format 1> /dev/null root@PC1:/home/test# ls emmax_format.log emmax_format.tfam emmax_format.tped gwas_test.map

使用GCTA软件进行GWAS分析

001、 root@PC1:/home/test# ls gwas_test.bed gwas_test.bim gwas_test.fam root@PC1:/home/test# awk '{print $1, $2, $6}' gwas_test.fam > phenotype.txt ## 表型数据 root@PC1:/home/test# plink --bfile gwas_test --pca 3 1> /dev/null

GWAS logistic + 隐性模型回归分析

001、plink root@PC1:/home/test# ls gwas_case_cont.map gwas_case_cont.ped root@PC1:/home/test# plink --file gwas_case_cont --logistic recessive beta 1> /dev/null root@PC1:/home/test# ls gwas_case_cont.map gwas_case_cont.ped plink.assoc.logistic pl

GWAS logistic + 显性模型回归分析

001、plink root@PC1:/home/test# ls gwas_case_cont.map gwas_case_cont.ped root@PC1:/home/test# plink --file gwas_case_cont --logistic dominant beta 1> /dev/null ## 使用显性模型分析 root@PC1:/home/test# ls gwas_case_cont.map gwas_case_cont.ped plink.as

GWAS logistic回归分析

001、plink root@PC1:/home/test# ls gwas_case_cont.map gwas_case_cont.ped root@PC1:/home/test# plink --file gwas_case_cont --logistic beta 1> /dev/null ## plink 逻辑回归 root@PC1:/home/test# ls gwas_case_cont.map gwas_case_cont.ped plink.assoc.lo

GWAS分析一般线性模型GLM + 协变量中meta、se、T、p值的计算

001、plink root@PC1:/home/test# ls gwas_test.map gwas_test.ped root@PC1:/home/test# plink --file gwas_test --pca 3 1> /dev/null root@PC1:/home/test# ls gwas_test.map gwas_test.ped plink.eigenval plink.eigenvec plink.log root@PC1:/home/test# head

GWAS分析一般线性模型GLM中meta、se、T、p值的计算

001、plink root@PC1:/home/test# ls gwas_test.map gwas_test.ped root@PC1:/home/test# plink --file gwas_test --assoc 1> /dev/null root@PC1:/home/test# ls gwas_test.map gwas_test.ped plink.log plink.qassoc root@PC1:/home/test# head plink.qassoc CHR

GWAS分析中一般线性模型GML中snp的回归系数r2的计算

001、plink计算 root@PC1:/home/test# ls gwas_test.map gwas_test.ped root@PC1:/home/test# plink --file gwas_test --assoc 1> /dev/null root@PC1:/home/test# ls gwas_test.map gwas_test.ped plink.log plink.qassoc root@PC1:/home/test# head plink.qassoc

linux shell实现 GWAS显著性区域的合并

001、 root@DESKTOP-1N42TVH:/home/test5# ls record.sh region.bed root@DESKTOP-1N42TVH:/home/test5# wc -l region.bed ## 测试数据 1058 region.bed root@DESKTOP-1N42TVH:/home/test5# head -n 5 region.bed ## 测试数据 Chr1 1560051 1570051 3.6112E-10 Ch

gwas分析中根据显著性p值筛选上下游10k位点

001、awk 实现 root@DESKTOP-1N42TVH:/home/test5/test# ls pvalue.bed root@DESKTOP-1N42TVH:/home/test5/test# cat pvalue.bed ## 第一列染色体，二列pos，三列p Chr1 1570052 3.6112E-10 Chr1 5188622 5.6283E-8 Chr1 5188673 4.6785E-8 Chr5 3646289 6.8643E-

plink 软件 --assoc 数量性状关联分析 T值的来源

001、 root@DESKTOP-1N42TVH:/home/test4# ls gwas_test.map gwas_test.ped root@DESKTOP-1N42TVH:/home/test4# plink --file gwas_test --assoc --out test 1> /dev/null root@DESKTOP-1N42TVH:/home/test4# ls gwas_test.map gwas_test.ped test.log test.qassoc

plink 软件中 --assoc 参数对二分类性状关联分析卡方值、及p值计算

001、 root@DESKTOP-1N42TVH:/home/test4# ls ## 测试数据 gwas_test.map gwas_test.ped root@DESKTOP-1N42TVH:/home/test4# plink --file gwas_test --assoc --out test 1> /etc/null ## 关联分析 root@DESKTOP-1N42TVH:/home/test4# ls gwas_test.map gwas_tes

使用plink、gemma软件进行gwas分析增加协变量

001、plink root@DESKTOP-1N42TVH:/home/test# ls cov.txt gwas_test.map gwas_test.ped root@DESKTOP-1N42TVH:/home/test# head cov.txt ## 协变量文件前两列FID、IID；第三列性别、第四列到最后PC1-PC5 fam1 id1 2 -0.0102664 0.0442708 -0.0658

gemma、plink使用一般线性模型进行GWAS分析

001、测试数据 root@DESKTOP-1N42TVH:/home/test# ls ## 表型数据为ped文件的第6列 gwas_test.map gwas_test.ped 002、plink 一般线性模型GWAS root@DESKTOP-1N42TVH:/home/test# ls gwas_test.map gwas_test.ped root@DESKTOP-1N42TVH:/home/test# plink --fi

计算 GWAS的 lambda GC

You have conducted your genome-wide association study (GWAS) and have tested each genetic variant for an association with your trait of interest. Now it is time to investigate if there are any systematic biases that may be present in your association resu

运用gemma软件做GWAS

首先基因型文件满足plink格式，生成包含有ped.map及二进制的bed.bim和fam即可； ./gemma-0.98.1-linux-static -bfile g -gk 2 -p p.txt -o gemma 亲缘关系矩阵； ./gemma-0.98.1-linux-static -bfile g -k ./output/gemma.sXX.txt -lmm 1 -p p.txt -c c.txt -o gemma_out 关联分析；主

GWAS分析中SNP解释百分比PVE | 第四篇，MLM模型中如何手动计算PVE？

系列部分： GWAS分析中SNP解释百分比PVE | 第一篇，SNP解释百分比之和为何大于1？ GWAS分析中SNP解释百分比PVE | 第二篇，GLM模型中如何计算PVE？ GWAS分析中SNP解释百分比PVE | 第三篇，MLM模型中如何计算PVE？今天介绍一下如何手动计算MLM模型GWAS的PVE结果。因为GAPIT中的MLM模型又PVE

GWAS计算BLUE值4--联合方差分析演示

本篇，用书籍中的数据和结论，用R语言的一般线性模型和混合线性模型，做一下一年多点的联合方差分析的演示。 1. 参考书籍《农业试验设计与统计分析》这本书是压箱底的好书，里面是用最原始的方式（公式推导和分解）介绍农业试验设计与统计分析相关的知识点，这次使用第九章多点试验结果

sentinel SNP 和 Tag Snp 的概念

sentinel SNP：在 GWAS 中，P 值最显著的 SNP; Tag Snp：在给定的 SNP 中，连锁不平衡值（LD）最高的 SNP; 相关讨论：https://www.biostars.org/p/11786/

post-GWAS：使用coloc进行共定位分析(Colocalization)

GWAS找到显著信号位点后，需要解释显著信号位点如何影响表型。常见的一个解释方法是共定位分析。主流的共定位分析包括： 1）GWAS和eQTL共定位；2）GWAS和sQTL共定位；3）GWAS和meQTL共定位；4）GWAS和pQTL共定位；其中，GWAS和eQTL共定位应用最为广泛。具体来说，当检测到GWAS信号和eQTL共定位时

本周最新文献速递20210704

GWAS全基因组关联分析

作者：黄树嘉链接：https://zhuanlan.zhihu.com/p/59767114来源：知乎来源：https://www.jianshu.com/p/acdc4a22e30a 作者：努力呗还能咋样呐 https://www.bilibili.com/read/cv6999299 出处：bilibili 关联分析（Association）：在交易数据、关系数据或其他信息载体中，查找存在于项目集合或对象

GWAS学习 | 02-表型数据清洗

GWAS的表型数据清洗1. 表型数据的选择动物数据中，对于大部分性状，一个个体只有一个观测值，直接用表型值进行后续的分析即可。对于纵向数据（比如不同胎次的产仔数，不同时期的剪毛量），对于一般的GLM模型，MLM模型，需要用平均值或者BLUE值作为表型值。现在也有软件可以分析纵向数据的GWAS，比如宁

JWAS: 基于Julia开发的一款基于贝叶斯的GWAS和GS软件

小编寄语现在动植物遗传评估领域, 还是Fortran的天下, 相信未来Julia可以在全基因组选择领域中占得一席. Julia是一个神奇的语言, 据说是速度非常快, 也非常友好的语言. 它从编译型语言C, C++以及Fortran中借鉴了速度, 从动态语言比如R和Python借鉴了友好. Julia是下一代的数据

本周最新文献速递20210509