个人学习_GWAS数据分析 （一）_数据格式处理+提交plink命令

备注：以下是记录自己在学习GWAS数据分析时的一个过程，所以处理的数据具有个人色彩，不一定都适用所有人。

1.数据格式

一共有两份数据，我需要从以下两份数据中通过它们共同的id ，挑选出每份id 所对应的FID ,IID ,以及相应的特征

数据(一):

数据（二）：

数据一中，第一列是img_id 可以忽略，第二列是img_name 就是指的不同个体的名字（这里的Img_name需要和数据二中的imageID匹配） ，node_id 可以忽略，x,y,z轴的数据 分别指的是我们选取的特征点在空间中的三维坐标（即特征点分别到x,y,z轴的距离）

数据二中的IID ,FID 是使用Plink必须要的数据（我也不知道是啥），我的数据中的FID的RS2 指的是一个人群的亚种 ，然后sex和age指的就是人群的性别和年龄

数据的含义：数据一中，一个id（一个人） 有21个特征点，分别代表一个人某个性状的21个特征点

我们要做工作的就是，用选取的特征点（1,3,5,7,8,10,12,14,16）表征一个人的某个性状，然后用GWAS的方法找到基因组中和某性状点高度（z轴）相关的基因

2.数据处理

现在以上的数据肯定是不能作为plink的输入的，所以我用R处理了一下数据格式，

最终得到的数据是这样的：

即FID 和IID分别在第一，二列（这是Plink要求的 我也不知道为啥），t1~t16就是我们选取的特征点（也就是性状）， PC1-PC4 目前我也不知道是啥。。但是是必须的 ，然后就是夹杂着AGE 和SEX, imageID可以不管他。

但是现在这个数据还不能作为输入，因为我还没有处理缺失值。

缺失值的处理方式：

对某一列的性状值（比如说我选t16） ，计算这一列的平均值和标准差，

令 a=mean(t16)+3*sd(t16)

b=mean(t16)-3*sd(t16)

(mean的意思是计算t16这一列的平均值，sd表示计算标准差）

然后遍历t16这一列中的每个值，只要它 >a 或者<b 就把它设置成NA

（这里其实就是指的设置一个置信区间，落入小区间，几乎不可能发生，那么就淘汰它）

处理缺失值的时候可以将处理结果输出：like this

对之后的一些数据处理也有一些帮助

缺失值处理完之后，我们最终输入plink的数据格式如下：

3.使用Plink进行GWAS分析

这个其实就是一条长长的命令 = 。=

如下：

nohup plink --bfile /data/liufan/data/RS123_1kG_QC/RS123.1kg.ext.hwe --pheno /home/xiangyj/facial_GWAS/GWAS_facial_input.txt --pheno-name t16 --linear hide-covar --covar /home/xiangyj/facial_GWAS/GWAS_facial_input.txt --covar-name AGE,SEX,PC1,PC2,PC3,PC4 --ci 0.95 --out /data/xiangyj/facial_GWAS_result/16 </dev/null &>/dev/null &

解释：

nohup & 后台挂起运行 （用上这个命令，程序在运行的时候自己就可以自由的去玩啦）

plink 使用plink (呼叫plink 呼叫plink ，快来执行我的代码)

--bfile /data/liufan/data/RS123_1kG_QC/RS123.1kg.ext.hwe 将snp文件变成二进制格式（方便省事）

--pheno /home/xiangyj/facial_GWAS/GWAS_facial_input.txt 这里导入我们刚刚处理的性状文件

--pheno-name t16 要处理的性状名字是t16

--linear hide-covar 使用线性模型，hide-covar指的是不要对我没加入的协变量进行分析

--covar /home/xiangyj/facial_GWAS/GWAS_facial_input.txt --covar-name AGE,SEX,PC1,PC2,PC3,PC4 把我们选取的协变量加入线性回归模型中，我们选的协变量有：AGE，SEX，PC1，PC2，PC3，PC4

--ci 0.95 设置置信区间

--out /data/xiangyj/facial_GWAS_result/16 输出文件路径以及文件前缀名 ，输出都是以assoc.linear为后缀

</dev/null &>/dev/null 这个是linux的输出的一些处理，加上去就保证你的输出没啥问题，具体啥意思，自己查啦

------------------------------------------------------------------------------------------------------------------------------------------------我是分界线

到此为止，我们的数据已经成功提交plink ,等plink结果出来之后再继续进行下一步分析

说实话，我感觉整个流程 主要麻烦的还是数据格式的处理,plink就是一条命令，理解它意思就行了

所以提高自己的大数据处理能力，使代码在处理大数据时高效可靠，才是更重要的！