plink遗传数据质控--每个个体QC、每个marker(变异)质控、全基因组关联meta分析QC

0.4 遗传数据质控

0.4.1 每个个体QC（per-individual QC）

主要有5步

1. DNA质量差(call率低，缺失基因型);
2. 常染色体杂合度高，表明可能样品污染或杂合度低，这可能是近亲繁殖造成的。
3. 性别信息不一致
4. 重复的或相关的
5. 来自不同祖先的群体

1）低质量基因型个体的鉴定

5%的缺失基因型比例

plink --bfile 1kg_hm3 --mind 0.05 --make-bed --out 1kg_hm3_mind005

2）常染色体杂合度鉴定

在分析中排除了杂合度高和杂合度低的个体。

--het，计算杂合度，主要生成两个文件，1kg_hm3_het.het， 1kg_hm3_het.log

plink --bfile 1kg_hm3 --het --out 1kg_hm3_het

每个样本的杂合度计算为杂合子基因型call数与非缺失calls总数之比。

--exclude，可以将具有非常高或非常低的平均杂合度值的异常值去掉，规则是去除那些偏离特定样本杂合性平均值士3个标准差的个体。

杂合性统计数据的分布

library(tidyverse)
heterogeneity_stats <- read.table("../1kg_hm3_het.het",header = T)
colnames(heterogeneity_stats)
het <-  (heterogeneity_stats$N.NM.-heterogeneity_stats$O.HOM.)/heterogeneity_stats$N.NM.
min <- mean(het)-3*sd(het)
max <- mean(het)+3*sd(het)
hist(het,col="lightblue",xlim=c(0.25,0.37),
     main="Histogram of Heterogeneity")
abline(v = c(min,max), col = "red", lwd=3, lty=2)

3）识别性别信息不一致的个体

男性只有一个X染色体副本，因此性染色体中的任何标记都不可能是杂合的。

plink --bfile hapmap-ceu --check-sex --out hapmap_sexccheck

生成.sexcheck文件， F为X染色体近交系数，雄性的X染色体近交系系数应大于0.8，雌性的X染色体近交系系数应小于0.2。

$ head hapmap_sexccheck.sexcheck
 FID       IID       PEDSEX       SNPSEX       STATUS            F
1334   NA12144            1            1           OK       0.9999
1334   NA12145            2            2           OK     -0.06528
1334   NA12146            1            1           OK       0.9999
1334   NA12239            2            2           OK      0.05498
1340   NA06994            1            1           OK       0.9999
1340   NA07000            2            2           OK      -0.1001
1340   NA07022            1            1           OK       0.9998
1340   NA07056            2            2           OK     -0.03786
1341   NA07034            1            1           OK       0.9999

4）识别重复的或相关的个体

即无意重复【inadvertent duplications】和神秘联系[cryptic relatedness]（近亲）。

见第9章

5）不同血统的个体的鉴定:群体分层

主要是进行PCA分析。

0.4.2 每个marker(变异)质控

主要有5步

1. 排除低检出率SNP
2. 去除低等位基因频率的SNP
3. 识别和排除具有极端偏离哈代温伯格平衡的变异
4. 在病例对照研究中，排除组间检出call率极不同的snp
5. 在输入snp的情况下，排除了低输入质量的变异的研究

1）低检出率SNP

call率低于95%的变异被排除在分析之外。用命令--geno

plink --bfile 1kg_hm3 --geno 0.05 --make-bed --out 1kg_hm3_geno

2）低等位基因频率SNP

排除低等位基因频率的原因，首先，在低MAF的情况下，缺乏检测任何真正的snp-性状关联的能力。其次，这些snp往往更容易出现基因分型错误。

--maf # 去掉MAF小于0.01的位点

plink --bfile 1kg_hm3 --maf 0.01 --make-bed --out 1kg_hm3_maf

如果有大样本，如100,000，MAF阈值可为0.01；如果N=10，000，MAF为0.05.

3）偏离哈温平衡

HWE假设一个无限大的种群，没有选择、突变或迁移，并且如果没有违反任何条件，基因型和等位基因频率在世代中是恒定的。

--hwe

plink --bfile 1kg_hm3 --hwe 0.00001 --make-bed --out 1kg_hm3_hwe

产生四个新文件，.log .bed .fam .bim

排除指标根据你是二元的还是定量的(例如，连续的)特征而不同。

对于二元性状，规则通常在cases中，HWE p-value < $10^{-10}$，在control中< $10^{-6}$。

对于数量性状，HWE p值< $10^{-6}$。

4）整合不同QC的文件

plink 	--bfile 1kg_hm3 \ # 输入二进制文件
		--mind 0.03 \ # 包含至少97%完整的高基因分型个体 #有3%的SNP都是缺失的，那么就删掉该个体
 		--geno 0.05 \ # call率低于95%的变异被排除在分析之外 #一个SNP在个体中5%都是缺失的，那么就删掉该SNP
 		--maf 0.01 \ # 去掉MAF小于0.01的位点 
 	--hwe 0.00001 \
	--exclude individuals_failQC.txt \ # 去除未完成个体水平QC的个体
 		--make-bed  --out 1kg_hm3_QC

0.4.3 全基因组关联meta分析QC

1）filter

1. 使用一个通用的参考来使所有文件中变异的碱基对位点一致。
2. 评估关联结果的信息，特别是来自大量文件的信息。效应等位基因有缺失信息的变异、可变等位基因变异、效应估计值、标准误差或p值不可信的变异将从样本中删除。
3. 非双等位基因变异或单型，都被排除在最终结果列表之外。
4. 来自罕见变异的结果通常是有问题的，可能会影响结果。MAF低于1%被剔除，
5. 输入质量影响相关性分析结果质量。输入质量低于0.7的变异被剔除。

2）诊断检查

等位基因频率图

检查变异(1)都以相同的方式编码，在等位基因频率和链取向上没有错误，（2）在研究中有相似的等位基因频率。

y是期望等位基因频率，X是来自参考群体的等位基因频率。在这里我们只绘制等位基因频率差异为0.2的点

森林图

QQ图

参考：
An Introduction to Statistical Genetic Data Analysis.