GWAS分析中使用PCA校正群体分层

欢迎关注”生信修炼手册”!

GWAS通过分析case/control组之间的差异来寻找与疾病关联的SNP位点，然而case和control两组之间，可能本身就存在一定的差异，会影响关联分析的检测。

Population stratification,称之为群体分层，是最常见的差异来源，指的是case/control组的样本来自于不同的祖先群体，其分型结果自然是有差异的。GWAS分析的目的是寻找由于疾病导致的差异，其他的差异都属于系统误差，在进行分析时，需要进行校正。

对于群体分层的校正，通常采主成分分析的方法，即PCA, 对应的文章发表在nature genetics上，链接如下

https://www.nature.com/articles/ng1847

核心处理如下图所示

对分型结果对应的矩阵进行PCA分析，该矩阵中行为SNP位点，列为样本，分型结果为0,1,2。0表示没有突变，1表示杂合突变，2表示纯合突变。PCA分析之后，可以得到每个样本在PC1,PC2等主成分轴上对应的位置。

PCA本质属于排序分析，距离近的样本拥有相似的属性，根据PCA之后得到的位置信息，可以绘制如下所示的散点图

上图中每个点代表一个样本，绘图使用的信息就是这些样本在PC1和PC2两个轴上的位置。这样的散点图可以直观展示样本的分层情况，对于显著偏离总体的部分样本，可以去除之后在重新进行分析。在后续进行GWAS分析时，这些PC轴上的位置信息可以作为回归分析中的协变量，进行校正。

文章中将针对分型结果进行PCA分析的功能打包成了一个软件，名字为EIGENSTRAT, github的网址如下

https://github.com/chrchang/eigensoft/tree/master/EIGENSTRAT

该软件支持自动去除离群值样本，显示主成分的占比等很多功能，缺点就是执行速度比较慢。对于GWAS中的PCA而言，核心的信息其实就是样本在各个主成分轴上的位置信息，我们需要这些信息来进行后续的校正。

面对GWAS规模的分型结果，运行速度是非常重要的一个因素。为此，实践中常常采用以下两款软件

1. plink

用法如下

plink  \
--bfile sample \
--pca --out pca

2. GCTA

用法如下

gcta64 \
--bfile sample \
--make-grm \
--thread-num 5 \
--out gctagcta64 \
--grm gcta \
--pca 20 \
--thread-num 5 \
--out pca

二者输出结果虽然不是完全相同，但是分布的趋势是一致的。不同之处在于，GCTA支持多线程，运行速度更快。输出结果有多个文件，核心是一个后缀为eigenvec的文件，该文件保存了样本在各个主成分轴上的位置信息，可以用于后续的校正。

这两个软件运行速度快，但是有个缺点就是不会输出各个主成分的占比，如果想要这个信息，可以考虑类似功能的R包，比如vcfR,SNPRelate,bigsnpr等。

·end·

—如果喜欢，快分享给你的朋友们吧—

扫描关注微信号，更多精彩内容等着你！