GWAMA:GWAS meta-analysis的又一利器

最新推荐文章于 2023-04-25 21:58:07 发布
最新推荐文章于 2023-04-25 21:58:07 发布
阅读量1.6k 收藏 2
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43569478/article/details/108079682
版权

欢迎关注”生信修炼手册”!

meta-analysis对多个独立研究的成果进行综合评估，该技术在医学，心理学等领域早已广泛使用。虽然该技术的理论基础早已成熟，但是在GWAS分析领域，还是有很多困难需要去克服

  1. GWAS分析SNP位点的数量很大，特别是基因型填充技术的出现，SNP位点数量达到了百万，千万的规模，对于软件而言，运行速度和内存消耗也是巨大挑战

  2. 不同study结果的存储格式不尽相同，需要统一的格式转换，特别是链的方向问题，需要调整成一个统一的ref allele

  3. GWAS分析结果的准确性问题，群体分层等因素都需要被校正

为了有效的进行分析，我们需要使用成熟软件，本文要介绍的GWAMA就是一款很不错的软件，其运行效率特别高，适合针对大数量的SNP位点进行分析，对应的文章发表在BMC Bioinformatics上，链接如下

https://bmcbioinformatics.biomedcentral.com/track/pdf/10.1186/1471-2105-11-288

官方网址如下

https://www.geenivaramu.ee/en/tools/gwama

安装过程如下

采用C++进行开发，下载源代码解压，编译即可。官网也提供了配套的测试数据，可以用于测试该软件

该软件的基本用法如下

只需要一个输入文件，默认文件名称为gwama.in, 内容示意如下

每一行代表一个study的gwas分析结果，对应的文件格式如下

MARKERNAME代表SNP位点的名称，STRAND代表链的方向，IMPUTED代表该位点是否是填充得到的，EA代表tested allele, NEA代表other allele, 对于连续型的性状，要求输入BETA和SE两列，对于二分类的性状，要求输入OR, OR_95L, OR_95U3列，代表odd ratio以及95%置信区间。

默认输出结果保存在gwama.out文件中，列数较多，为了方便展示，我这里截取了部分并进行了转置，内容如下

另外该软件还支持针对性别进行校正，更多用法请查看官方文档。

·end·

—如果喜欢，快分享给你的朋友们吧—

往期精彩

  基因型填充

  CNV分析

最低0.47元/天 解锁文章
生信修炼手册
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
gwas2vcfweb:gwas2vcf的Web界面
05-28
Web界面Web界面，用于将GWAS摘要数据处理为VCF格式安装 # get sourcegit clone --recurse-submodules git@github....//gsapubftp-anonymous@ft
【软件介绍】GWAS meta分析软件：METAL
hucy_Bioinfo
06-16 9842
Meta-analysis是对多个GWAS分析结果进行综合评价。METAL是GWAS meta分析最常用的工具之一，本文简单介绍METAL软件基本用法。
GWAS meta分析
qq_45899165的博客
09-17 2559
gwas meta analysis
GWAS样本量不够怎么办，meta分析了解一下
庐州月光的博客
10-20 4525
欢迎关注”生信修炼手册”!对于GWAS分析而言，增加样本量是提高检验效能的最直接有效的方式。目前常规GWAS项目的样本量约为1000 cases vs 1000 controls，这样的...
一行命令学会全基因组关联分析(GWAS)的meta分析
weixin_34055787的博客
05-23 1608
为什么需要做meta分析 群体分层是GWAS研究中一个比较常见的假阳性来源. 也就是说，如果数据存在群体分层，却不加以控制，那么很容易得到一堆假阳性位点。 当群体出现分层时，常规手段就是将分层的群体独立分析，最后再做meta分析。 1.如何判断群体是否分层 先用plink计算PCA，具体方法详见链接：GWAS群体分层 (Population stratification)：利用plink对基因型进...
点击鼠标即可完成GWAS meta分析，任何人都可以！
庐州月光的博客
10-25 650
欢迎关注”生信修炼手册”!MetaGenyo是一个GWAS meta分析的在线网站，通过该网站，只需上传指定格式的文件，然后鼠标点击就可以轻松实现meta分析，网址如下http://bi...
【生信】全基因组关联分析（GWAS）原理
热门推荐
weixin_40695088的博客
03-12 5万+
【生信】全基因组关联分析（GWAS） 1.前提知识介绍 1.1 最小二乘法 1.2 GWAS的数学原理 1.3 Hardy-Weinberg定律&卡方检验 1.4 连锁不平衡 1.5 曼哈顿图 1.6 箱式图Box-plot 1.7 QQ plot 2、GWAS的定义 2.1 几个需要知道的概念： 2.2全基因组关联分析 3、GWAS——数据预处理 3.1质控的原因： 3.2基因型数据的质控： 3.4表型数据质控： 3.5正负链翻转 3.6 基因型填补 3.7群体分层校
使用GCTA软件进行GWAS
这是一头小鹿
04-25 1344
备注：genotype为二进制基因型文件，无需后缀，--make-grm-alg为 1 表示___，为 0 表示___。（3）协变量文件：前两列为Family ID和Individual ID，后面为协变量（固定效应等：如性别、年龄、PCA）（2）表型文件：3列。准备：将基因型和表型文件复制到GCTA软件的对应文件夹下，在路径输入cmd，进入命令行。（3）分析：mlma为输出格式，thread-num为线程数，输出名称为trait1。（1）基因型文件：ped、map或二进制fam、bim、bed文件。
gwas-vcf-performance:GWAS摘要统计信息的VCF和纯文本存储格式之间的比较
05-28
VCF与纯文本GWAS存储格式 以纯文本/表格文本和VCF查询GWAS摘要统计...对数据进行二次采样，准备多样本GWAS-VCF，并记录预期的输出结果，以便与命令行工具进行比较 RSID查询性能 rsID上的性能查询 单样本-2.5M 单
INF:SCALLOP-INF分析
04-10
tryggveAnalysis[Meta analysis: list.sh, format.sh,metal.sh, QCGWAS.sh, analysis.sh] --> GWAS[pQTL selection and Characterisation];GWAS --> Prototyping[Prototyping: INTERVAL.sh, cardio.sh, ...];...
GenAMap:基因组-表型关联的视觉机器学习
05-30
GenAMap 是一个开源平台，用于基因组-表型关联的视觉机器学习。 基因组数据的激增增加了复杂机器学习算法对下一代全基因组关联研究 (GWAS) 的有用性。 这些方法有效地将遗传多态性与表型联系起来，但它们需要算法...
CPAG:GWAS 的交叉表型分析-开源
05-29
CPAG（GWAS的Cross-Phenotype Analysis）可以估计疾病和性状的相似性，识别信息丰富的疾病簇，并进行通路富集分析。 它还以分层聚类树、热图和网络的形式提供这些结果的可视化。
GCTA学习1 | 抛砖引玉--初步介绍
邓飞----育种数据分析之放飞自我
01-07 1758
康德说：世界上只有两样东西是值得我们深深景仰的，一个是我们头上的灿烂星空，另一个是我们内心的崇高道德法则。 论起软件，也有两款软件，让我学习的过程中，不断的有所收获，不断的感慨功能的强大，一个是plink，另外一个是GCTA。 本篇介绍，是2020年的博客，里面的内容有些老了，最近，GCTA又增加了GWAS的模块fast-GWA，速度远超同类软件，更重要的话，windows电脑也可以用，这样混线性模型GEMMA只能在Linux下使用的弊端，GCTA解决了。不用Linux，就不用Linux吧，现在GCTA也可
你没看错，搞定GWAS meta分析只需一行代码！
庐州月光的博客
10-22 1819
欢迎关注”生信修炼手册”!METAL是gwas meta分析最常用的工具之一，官网如下https://genome.sph.umich.edu/wiki/METAL该软件的安装非常简单，...
gwas简介
hgz2020的博客
03-07 5028
gwas
用R进行gwas meta分析,原来如此简单
庐州月光的博客
10-26 3689
欢迎关注”生信修炼手册”!在生物信息数据分析中，R语言是必备技能，简洁的语法，丰富的生态，美观的可视化，种种优势使得其成为该领域中使用最广泛的编程语言之一。用R进行meta分析当然也是可...
决策树学习小记
Facico的博客
09-18 434
决策树 类型 ID3 C4.5 CART(回归树) 优缺点 优点：计算复杂度不高，输出易于理解，对缺失值不敏感，可以处理不相关特征数据 缺点：可能会产生过度匹配问题，过拟合 使用数据类型：数值型和布尔型 香农熵(信息熵) 熵定义为信息的期望值，表示信息的无序程度 变量的不确定性越大，熵也就越大，把它搞清楚所需要的信息量也越大 l(xi)=−log2p(xi) l(x_i)=-log_2{p(xi)} l(xi​)=−log2​p(xi) H=−∑i=1np(xi)log2p(xi) H=-\sum_{i
用R进行gwas meta分析,原来如此简单。
yihuliunian的博客
05-07 1491
转载自品略图书馆http://www.pinlue.com/article/2020/01/0912/569886542010.html 在生物信息数据分析中，R语言是必备技能，简洁的语法，丰富的生态，美观的可视化，种种优势使得其成为该领域中使用最广泛的编程语言之一。用R进行meta分析当然也是可以的，本文要介绍的R包rmeta, 就是其中之一，可以用于gwas meta分析，支持随机效...
406_智能小区管家服务系统的设计与实现-源码.zip
最新发布
06-02
提供的源码资源涵盖了安卓应用、小程序、Python应用和Java应用等多个领域，每个领域都包含了丰富的实例和项目。这些源码都是基于各自平台的最新技术和标准编写，确保了在对应环境下能够无缝运行。同时，源码中配备了详细的注释和文档，帮助用户快速理解代码结构和实现逻辑。 适用人群： 这些源码资源特别适合大学生群体。无论你是计算机相关专业的学生，还是对其他领域编程感兴趣的学生，这些资源都能为你提供宝贵的学习和实践机会。通过学习和运行这些源码，你可以掌握各平台开发的基础知识，提升编程能力和项目实战经验。 使用场景及目标： 在学习阶段，你可以利用这些源码资源进行课程实践、课外项目或毕业设计。通过分析和运行源码，你将深入了解各平台开发的技术细节和最佳实践，逐步培养起自己的项目开发和问题解决能力。此外，在求职或创业过程中，具备跨平台开发能力的大学生将更具竞争力。 其他说明： 为了确保源码资源的可运行性和易用性，特别注意了以下几点：首先，每份源码都提供了详细的运行环境和依赖说明，确保用户能够轻松搭建起开发环境；其次，源码中的注释和文档都非常完善，方便用户快速上手和理解代码；最后，我会定期更新这些源码资源，以适应各平台技术的最新发展和市场需求。
GWAS meta分析代码
06-07
GWAS meta分析是一种将多个基因组关联研究结果进行综合分析的方法，以下是一个Python脚本的例子，用于进行GWAS meta分析： ```python import pandas as pd import numpy as np import statsmodels.api as sm # 读取所有研究的GWAS结果文件 study1 = pd.read_csv("study1.csv") study2 = pd.read_csv("study2.csv") study3 = pd.read_csv("study3.csv") # 将每个研究的p值进行变换，转化为z值 study1["z"] = np.sqrt(2) * sm.stats.proportion.proportions_ztest(study1["n_cases"], study1["n_total"], value=study1["OR"])[0] study2["z"] = np.sqrt(2) * sm.stats.proportion.proportions_ztest(study2["n_cases"], study2["n_total"], value=study2["OR"])[0] study3["z"] = np.sqrt(2) * sm.stats.proportion.proportions_ztest(study3["n_cases"], study3["n_total"], value=study3["OR"])[0] # 将每个研究的z值和样本量进行合并 meta_data = pd.concat([study1[["SNP", "z", "n_cases", "n_total"]], study2[["SNP", "z", "n_cases", "n_total"]], study3[["SNP", "z", "n_cases", "n_total"]]]) # 计算每个SNP的z值和加权样本量 meta_data["wz"] = meta_data["z"] * np.sqrt(meta_data["n_cases"] + meta_data["n_controls"]) meta_data["w"] = np.sqrt(meta_data["n_cases"] + meta_data["n_controls"]) # 计算meta分析的z值和p值 meta_z = meta_data["wz"].sum() / meta_data["w"].sum() meta_p = 2 * (1 - sm.stats.norm.cdf(abs(meta_z))) # 输出meta分析结果 print("Meta-analysis result:") print("z value: ", meta_z) print("p value: ", meta_p) ``` 这个脚本首先读取每个研究的GWAS结果文件，将每个研究的p值转化为z值，然后将每个研究的z值和样本量进行合并，计算每个SNP的加权z值和加权样本量，最后计算meta分析的z值和p值，输出结果。需要注意的是，不同研究的样本量、OR值等参数可能存在差异，需要根据具体情况进行调整。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值