gcta进行GWAS分析

gcta官网的 GWAS分析教程。

GCTA

fastGWA

适用于稀疏矩阵的大规模数量性状数据的 GWAS，模型为混合线性模型。为了产生稀疏的 G 阵，需要事先剔除亲缘关系较近的样本。

fastGWA-GLMM

采用广义线性模型，适用于二分类变量。同样要采用稀疏的 G 阵

MLMA

这个才是和 GEMMA 一样的模型。

–mlma: $y=a+bx+g+e$， a 为群体均值，bx 为 snp 效应，g 为剩余多基因效应， e 为残差

–mlma: $y = a+bx+g^{-} +e$ ，这里 $g^{-}$ 是剔除了估计SNP所在染色体的所有位点之后得到的剩余多基因效应，也就是说 $var(g^{-})$ 需要估计 $n$ 次，$n$ 为染色体数目，每次剔除一条染色体估计一次方差组分。网页上说这种方式统计功效更高。

–mlma-no-preadj-covar: 如果存在协变量，GCTA 默认做法是事先校正，如果 SNP 和协变量存在相关的情况下，这种做法会降低统计功效。采用这个选项，GWAS 分析中会同时估计协变量效应和 SNP 效应，只是计算量有所增加。

举个例子如下

# MLMA analysis - If you have already computed the GRM
gcta64 --mlma --bfile test --grm test --pheno test.phen --out test --thread-num 10

# MLMA analysis using multiple GRMs - If you have already computed the GRM
gcta64 --mlma --bfile test --mgrm multi_grm.txt --pheno test.phen --out test --thread-num 10 

# MLMA analysis including the candidate SNP (MLMi)
gcta64 --mlma --bfile test --pheno test.phen --out test --thread-num 10

# MLMA leaving-one-chromosome-out (LOCO) analysis
gcta64 --mlma-loco --bfile test --pheno test.phen --out test --thread-num 10