相信各位在學(xué)習(xí)GWAS原理時(shí)對(duì)GWAS的作圖群體有了一定的了解，在林木、農(nóng)作物等生長(zhǎng)時(shí)間較長(zhǎng)的物種來(lái)說(shuō)，構(gòu)建子代、RIL甚至NAM群體需要較長(zhǎng)的時(shí)間，在群體構(gòu)建完成之前，GWAS是少有的自然群體適合做的分析之一。盡管如此，受限于自然群體的特性，自然群體無(wú)法獲得明確的譜系，一般都是通過(guò)基因型PCA確定親緣關(guān)系，減少假陽(yáng)性。因此我們需要在關(guān)聯(lián)分析前對(duì)該群體做PCA分析，隨后將PCA結(jié)果作為協(xié)變量加入關(guān)聯(lián)分析中。

1.plink的安裝

plink2.0 網(wǎng)站：https://www.cog-genomics.org/plink/2.0/

Plink的二進(jìn)制文件支持Intel、AMD、M1等芯片。下載對(duì)應(yīng)的文件后使用make、configure安裝即可。

2.使用plink進(jìn)行PCA分析

運(yùn)行分析之前，需要自己準(zhǔn)備基因型數(shù)據(jù)。

plink --bfile myfile --pca 3 #這里只取前3個(gè)PCA結(jié)果，如果想取其他數(shù)值，請(qǐng)自行設(shè)置

輸出的結(jié)果文件中包括以下兩個(gè)文件

plink.eigenval，特征值，共有3行數(shù)據(jù)，分別是3個(gè)PCA的特征值

plink.eigenvec，特征向量，第三四五列是3個(gè)PCA的特征向量，作圖用前兩個(gè)PCA

文件如圖所示

PCA的可視化：

library(tidyverse)

re1a=fread("plink.eigenval")

re1b=fread("plink.eigenvec")

?

re1a$por=re1a$V1/sum(re1a$V1)*100

head(re1a)

?

ggplot(re1b,aes(x=V3,y=V4))+geom_point()+

xlab(paste0("PC1(",round(re1a$por[1],2),"%)"))+

ylab(paste0("PC2(",round(re1a$por[2],2),"%)"))

如上圖所示，群體間存在明顯的群體分層，需要PCA結(jié)果作為協(xié)變量加入關(guān)聯(lián)分析中。如果gwas沒(méi)有明顯的信號(hào)，可以將多個(gè)群體獨(dú)立進(jìn)行GWAS分析，然后再做meta分析。

至于meta分析怎么做，歡迎關(guān)注小云，小云將在后續(xù)繼續(xù)為您推出meta分析的教程。