经过前两期的讲解，我们对GWAS（全基因组关联研究）分析所需的数据类型及其质控方法有了一定了解，今天我们将进入核心内容：关联分析。GWAS分析通常采用回归模型来检验标记与表型间的关联。具体来说，零假设（H0）认为标记的回归系数为零，即该标记（如SNP）对表型没有影响；而备择假设（H1）则认为标记的回归系数不为零，即该标记与表型存在相关性。

表型数据类型与关联分析方法

在第一期中，我们提到表型数据的类型主要包括三种：数量性状、质量性状和分级性状。在进行关联分析之前，需要根据不同类型的表型选择合适的分析方法，并且通常对p值进行校正以减少假阳性结果的发生。

1. 连续性状

连续性状指的是在群体中呈现连续分布的性状，例如身高、体重和血压等。适用的方法有：T检验（Student’s t-test）和线性回归（linear regression）。

• 对于assoc分析（未校正p值），可以使用命令：plink --bfile test --assoc --out result_assoc
• 如果需校正p值，则使用：plink --bfile test --assoc --adjust --out result_assoc（生成带有*assocadjusted后缀的文件）
• 采用线性回归时，使用命令：plink --bfile test --linear --out result_linear
• 如需校正p值，命令为：plink --bfile test --linear --adjust --out result_linear（协变量通过--covar参数添加）

2. 阈值性状

阈值性状是指表型数据分为两类的数据，例如1和2（0和-9表示缺失值），通常对应对照组（1）和实验组（2）。可选择的方法包括：卡方检验和逻辑斯蒂回归（logistic regression）。

• 对于assoc分析（未校正p值），使用命令：plink --bfile test --assoc --out result_assoc
• 如需校正p值，使用：plink --bfile test --assoc --adjust --out result_assoc（同样会生成带有*assocadjusted后缀的文件）
• 采用logistic回归时，命令为：plink --bfile test --logistic --out result_logistic
• 如需校正p值，命令为：plink --bfile test --logistic --adjust --out result_logistic（可通过--covar添加协变量）

3. 分级性状

分级性状是通过人为观察能够进行分类的离散型变量，具体定义依赖于经验。例如，对于植物的抗病性，可以根据叶片病斑的面积（0~100%）定义为连续性状，或者设定阈值将其划分为高、中、低的分级性状。

• 对于assoc分析（未校正p值），使用命令：plink --bfile test --assoc --out result_assoc
• 如需校正p值，使用：plink --bfile test --assoc --adjust --out result_assoc
• 对logistic回归，命令为：plink --bfile test --logistic --out result_logistic
• 如需校正p值，命令为：plink --bfile test --logistic --adjust --out result_logistic

到此，我们终于获得了令人期待的显著性结果。可以对结果表格进行p值筛选，以过滤假阳性，并进行数据的可视化展示，如著名的Q-Q图和曼哈顿图。想要了解如何进行可视化分析吗？别着急，我们会在下一期详细阐述，敬请期待！同时，欢迎关注Z6·尊龙凯时，为您的生物医疗研究保驾护航！