资料来源：公众号：育种数据分析之放飞自我
1.前言
–geno筛选个体；–mind筛选SNP
GWAS分析时，拿到基因型数据，拿到表型数据，要首先做以下几点：
- 查看自己的表型数据，是否有问题
- 查看自己的基因型数据，是否有问题
然后再进行建模，得到显著性SNP以及可视化结果。
清洗数据的时间占80%的时间，有句话这样讲：“Garbage in, Garbage out（垃圾进，垃圾出）”，所以清洗数据非常重要。
「为何对缺失数据进行筛选？」
无论是测序还是芯片，得到的基因型数据要进行质控，而对缺失数据进行筛选，可以去掉低质量的数据。如果一个个体，共有50万SNP数据，发现20%的SNP数据（10万）都缺失，那这个个体我们认为质量不合格，如果加入分析中可能会对结果产生负面的影响，所以我们可以把它删除。同样的道理，如果某个SNP，在500个样本中，缺失率为20%（即该SNP在100个个体中都没有分型结果），我们也可以认为该SNP质量较差，将去删除。当然，这里的20%是过滤标准，可以改变质控标准。下文中的质控标准是2%。
2.plink数据格式转化
数据使用上一篇的数据，因为数据是plink的bfile格式，二进制不方便查看，我们将其转化为文本map和ped的格式。
plink --bfile HapMap_3_r3_1 --recode --out test
结果生成：test.map test.ped
2.查看基因型个体和SNP数量
wc -l test.map test.ped
可以看出，共有165个基因型个体，共有1447897个SNP数据。
「预览一下ped文件：」
「预览一下map文件：」
3.查看一下个体缺失的位点数，每个SNP缺失的个体数
–missing: Sample missing data report written to plink.imiss, and variant-based missing data report written to plink.lmiss.
结果生成两个文件，分别是一个个体ID上SNP缺失的信息，另一个是每个SNP在个体ID中缺失的信息。
- 个体缺失位点的统计在plink.imiss中
- 单个SNP缺失的个体数在plink.lmiss中
3.1 个体缺失位点统计预览：
第一列为家系ID，第二列为个体ID，第三列是否表型缺失，第四列缺失的SNP个数，第五列总SNP个数，第六列缺失率。
3.2 SNP缺失的个体数文件预览：
第一列为染色体，第二列为SNP名称，第三列为缺失个数，第四列为总个数，第五列为缺失率。
3.3 单个位点缺失率和基因型个体缺失率统计
使用R语言做直方图。下面代码的意思是读取这两个文件，然后用频率的那一列作图，将图保存为pdf输出。
indmiss<-read.table(file="plink.imiss", header=TRUE)
snpmiss<-read.table(file="plink.lmiss", header=TRUE)
# read data into R
pdf("histimiss.pdf") #indicates pdf format and gives title to file
hist(indmiss[,6],main="Histogram individual missingness") #selects column 6, names header of file
pdf("histlmiss.pdf")
hist(snpmiss[,5],main="Histogram SNP missingness")
dev.off() # shuts down the current device
因为，当前目录已经有hist_miss.R脚本，所以可以直接在目录下运行下面代码，会生成两个pdf文件。
Rscript hist_miss.R
（1）单个位点缺失率统计图：
（2）基因型个体缺失率统计图：
4.对个体及SNP缺失率进行筛选
- 如果一个SNP在个体中2%都是缺失的，那么就删掉该SNP，参数为：–mind 0.02
- 如果一个个体，有2%的SNP都是缺失的，那么就删掉该个体，参数为：–geno 0.02
4.1 对个体缺失率进行筛选
先过滤个体缺失率高于2%的SNP：
plink --bfile HapMap_3_r3_1 --geno 0.02 --make-bed --out HapMap_3_r3_2
转化为map和ped的形式：
plink --bfile HapMap_3_r3_2 --recode --out test
查看一下过滤后的行数。
#之前的为:
1457897 test.map
165 test.ped
现在的为:
1430443 test.map
165 test.ped
从日志中可以看出，过滤了27454个位点。
4.2 对SNP缺失率进行筛选
过滤SNP缺失率高于2%的个体：
plink --bfile HapMap_3_r3_2 --mind 0.02 --make-bed --out HapMap_3_r3_3
从日志中可以看出，0个个体被过滤，有165个个体的130443个SNP pass。
5.同时对个体和SNP的缺失率进行筛选
两步合在一起，即过滤位点，又过滤个体：
plink --bfile HapMap_3_r3_1 --geno 0.02 --mind 0.02 --make-bed --out HapMap_3_r3_5
从日志中可以看出，两者最终结果是一样的。
