资料来源：公众号：育种数据分析之放飞自我
一、GWAS分析的Outline
按照作者邓飞的理解，GWAS主要分为如下四个部分：
1.数据清洗
1.1 表型数据清洗
- 删除异常值
- 查看数据分布
- 数据可视化
1.2 基因型数据清洗
- MAF
- Call rate
- HWE
2.关联分析
2.1 一般线性模型
2.2 混合线性模型
3.结果可视化
3.1 PCA群体结构
3.2 QQ图
3.3 曼哈顿图
3.4 LD衰减图
4.结果注释
4.1 显著SNP注释
- ANNOVAR
- snpEFF
4.2 基因聚类分析
- GO 富集分析
- Kegg 通路分析
二、GWAS分析软件
1.plink
- 基因型数据质控
- MAF
- geno
- HWE
- 建模
- GLM模型（连续性状）
- logistic模型（二分类性状）
2.TASSEL
- 窗口化界面
- 不用编程，鼠标点点点
- 需要提前将表型数据和基因型数据整理好
- 模型
- GLM模型
- LMM模型
- 可视化
- QQ图
- 曼哈顿图
- LD衰减图
可以看到，TASSEL比较有优势，特别是它具有LMM模型，LMM模型是连续性状主流的分析方法。
3.其它GWAS分析软件
- R包：GAPIT
- R包：FamCPU
- R包：rMVP
- GEMMA
三、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，比如宁超老师开发的软件（http://www.chaoning.org/Softwares/）
- 对于植物数据，特别是随机区组的数据，一年多点的数据，一个基因型ID对应多个表型值，这些表型值如何利用呢？用平均值是可以的，但是使用BLUE值或者BLUP值的更多。
整体而言，BLUP值会想均值收缩（shrinkage）， 虽然结果是最佳预测, 但是校正值的方差变小, 当你做GWAS时, 不容易找到显著性位点，增加了噪音(noise)。而且在GWAS中，品种是作为随机因子，如果你使用BLUP值，相当于进行了两次收缩(shrinkage)。因此, 比较好的方式是，在one-stage中，将地点，年份，区组作为随机因子，将品种作为固定因子，计算BLUE值。
2.异常值的问题
数据分析中，一定要检查异常值，常见的异常值：
13.4写成了134，13.4写成了13..4
这些可以通过判断数据的类型，R中的str函数，如果一列数据判断为了字符，那就需要注意下是否有数字编码错误。
另外，就是进行汇总统计，看一下最大值，最小值，平均值，中位数，看一下数据的分布是否正常。
对于小数点标错，可以更正的更正一下。对于数据异常，可以找一下原始的数据记录，确认一下数据是否录入错误。
对于不可更正的异常值，将其作为缺失。
3.是否删掉三倍标准差
这个标准，有时候会用，但不是必须使用，一般不使用。数据量少时，更应该谨慎使用。可以做一下GWAS的对比，看一下删除与否的效果。
4.数据的是否转换为正态
-
对于数量性状，稍微偏态的数据也是可以接受的。
-
一般不进行公式转换，因为结果不好解释。
5.表型数据整理应该下大功夫
-
从调查数据开始，要严格要求，怎么强调都不为过，尽量亲身参与。
-
质控数据要谨慎，删除数据要谨慎。
-
多做几次分析，权衡一下不同的方案！
6.表型数据常见的可视化
- 缺失数据可视化
- 直方图
- 箱线图
