欢迎您访问 最编程 本站为您分享编程语言代码,编程技术文章!
您现在的位置是: 首页

GWAMA:全球荟萃分析工具

最编程 2024-03-02 17:46:19
...

下载和安装

 

 

从官网(https://genomics.ut.ee/en/tools/gwama-download)上下载或:

wget http:/www.geenivaramu.ee/tools/sample.zip

unzip gwama.zip (解压)

make (安装)

 

运行命令:

 ../GWAMA --filelist gwama.in --output gwama_xp_wz_jp --quantitative

 

 

 

 其中,

gwama.in为输入文件,内容如下

 

 

 每一行对应一个人群的gwas分析结果,需要的文件格式如下:

 

 

 

 MARKERNAME代表SNP位点的名称,EA代表effect allele, NEA代表other allele,EAF代表EA的频率, 对于连续型的性状,要求输入BETASE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。

以上是最基础的数据,如果有额外的数据也可以加入,比如STRAND代表链的方向,IMPUTED代表该位点是否是填充得到的等

 

gwama_xp_wz_jp为输出文件的前缀,输出结果保存在gwama_xp_wz_jp.out文件中,内容如下

 

 

 

--quantitative 表示使用的表型数据是连续变量。

 其它需要请看官方文档:https://genomics.ut.ee/en/tools/gwama-tutorial

 

 

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。

具体来说,GWAS的核心在于SNP与表型的关联,具体来说,我们观测到每一个genome位点会有许多不同的SNP,如果某个SNP总是与某种表型/疾病同时出现,那么我们可以推测这个SNP极有可能会导致这个表型/疾病。如果存在群体分层,那么发现的SNP可能是群体的一个特征而不是与表型相关,也就是假阳性位点。

当群体出现分层时,常规手段时将分层的群体独立分析,最后做meta分析。

如何判断群体分层?

用plink计算PCA,画PC1和PC2在不同群体的散点图,看是否将人群分开,如果能观察到几个group,就是出现群体分层。

什么是meta分析?

GWAS meta analysis应该翻译成整合分析,略区别于医学的荟萃分析。GWAS中的meta analysis,是将不同的GWAS整合在一起,减少群体分层的影响,提升了power。(还是不知道原理)

一般用的软件有:plink、GWAMA、METAL

 

关于Meta的在不同场景下的意思

Meta的字面意思:Meta means about the thing itself. It's seeing the thing from a higher perspective instead of from within the thing, like being self-aware

Metadata is "data that provides information about other data"

在计算机里,meta就是描述数据的数据。

META是一种思想概念,一种抽象思维,用来描述数据的数据,比如有一张学生表,记录着学生的基本信息,我们通过表可以获取学生信息(数据),但是有时候也要得到表本身的信息数据(比如表结构信息:字段名称,字段数据类型,长度等信息),对于这种基础信息的描述,就会使用META的概念,使用META元数据来描述表本身。放到HTML中也是一样的,HTML用来描述网页信息,但是HTML自己也有一些信息(比如网页标题,网页描述,搜索关键字),这些信息也就称之为HTML META信息,并且HTML也定义了专门的META标签。

在医学里,meta就是荟萃分析。

Meta分析是对具有相同目的且相互独立的多个研究结果进行系统的综合评价和定量分析的一种研究方法。它不仅仅是搜集很多以往的研究成果,同时进行全面系统的质量评价,另外还要对符合条件的研究进行定量分析。

在微生物里,宏基因组学(Metagenomics),又称元基因组学。是以特定生境中的整个微生物群落作为研究对象,无需分离培养,直接提取环境样本DNA进行测序,研究环境微生物的群落结构、物种分类、系统进化、基因功能及代谢网络等,已广泛应用于微生物领域。

 

Reference:

https://genomics.ut.ee/en/tools/gwama

https://www.cnblogs.com/chenwenyan/p/10912521.html

https://www.cnblogs.com/leezx/p/13369846.html

 

推荐阅读