GWAS:plink进行meta分析

之前教程提到过Metal是可以做Meta分析,除了Metal,PLINK也可以进行Meta分析。
命令如下所示:

plink --meta-analysis gwas1.plink  gwas2.plink gwas3.plink + logscale qt --meta-analysis-snp-field SNP --meta-analysis-chr-field CHR --meta-analysis-bp-field BP --meta-analysis-a1-field A1 --meta-analysis-a2-field A2  --meta-analysis-se-field SE --out allqt
# logscale,指的是输入文件(比如gwas1.plink)的效应值是beta,而非OR;
# qt 指的是输出结果的效应值用beta展示(默认输出效应值用OR表示);
# --meta-analysis-snp-field 指的是输入文件SNP列用SNP表示;

输入文件gwas1.plink文件如下所示:

输出结果如下所示:

其中,不同列所代表的意思如下:

CHR Chromosome code.
BP Base-pair coordinate.
SNP Variant identifier
A1 Allele 1.
A2 Allele 2.
N Number of valid studies for variant
P Fixed-effects meta-analysis p-value
P® Random-effects meta-analysis p-value
BETA’/‘OR’ Fixed-effects BETA/OR estimate
BETA®’/‘OR®’ Random-effects BETA/OR estimate (DerSimonian and Laird)
Q p-value for Cochran’s Q statistic
I2 heterogeneity index (0-100 scale)


致谢橙子牛奶糖(陈文燕),请用参考模版:We thank the blogger (orange_milk_sugar, Wenyan Chen) for XXX

感谢小可爱们多年来的陪伴, 我与你们一起成长~

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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