一个销售眼中的GWAS（一）

我是一个销售，算法一窍不通。不过为了处理具体项目售前售后，总要自己对产品有一定的认知。所以我对于技术的认识，往往是从逻辑自洽开始的，而不是从专业文献和千百次分析流程中提炼出来的，难免有很多漏洞。逻辑自洽有个好处，就是一旦逻辑上能够自圆其说了，往往能迷惑自己（自信）。虽然说逻辑自洽有很多漏洞，但是根据我的经验逻辑自洽很多时候对于解决售后问题有很大的助力，甚至是和真实情况很接近。

怎么理解GWAS分析？我个人是把GWAS理解为认识谱系关系不清的自然群体表型与基因之间相关性的技术。这里有两点，一个是谱系不清楚，如果谱系很清楚，可能对于相应的项目有更合适的方法。另外一点就是自然群体，样本肯定是越多越好，同时群体内尽量少有血缘样本(这里的血缘样本是我个人的描述)。那么我们可以怎么定义这个血缘样本呢？我觉得甚至不用出五服（九个世代），有个三四代内没有再次组合就差不多行了。为什么需要尽量少的有血缘个体呢？因为GWAS本质上就是计算SNP频率和表型相关性。如果有血缘关系的话，可能每个个体都存在多条高度相同的染色体，这些SNP和表型的都具有相关性，这显然是假阳性结果的因素之一；同时由于血缘关系越近，他们的表型越近，也会影响真正相关的SNP在群体样本中真实频率。由此我们可以大致推断出相同亲本来源的个体，在群体中随机的杂交几代后，他们之间非相关SNP的一致性就大大降低了；同时我们也可以推断出个体的表型越极端，血缘关系的影响越大。但是由于GWAS个体很多，即便有个别样本中存在血缘关系，其最大影响通常也有限，尤其是如果经过了几代的杂交，血缘关系的影响也会进一步降低。画进化树后根据实际情况剔除掉明确的血缘个体就可以了。 

另外就是表型通常最好呈现正态分布，为啥有这个要求呢？我个人感觉主要是因为多基因遗传的数量性状，本身它真实的自然群体分布就应该是正态分布的，如果不是的话，说明这个群体可能不是完全具有代表性。当然如果客观情况如此的话，肯定也是要具体分析的，可能对结果的准确性有一定的影响。就比如说遗传结构分析，这个依赖于哈温平衡，但是哈温平衡的前提就是理想的自然群体，所以这个在我们取材的时候可以提前留意。

另外一个影响GWAS的是亚群，那么为什么亚群会对结果造成影响呢？亚群的影响是怎么解决呢？是不是对于所有性状而言，亚群都必然会产生影响呢？什么情况下亚群必然会有影响？什么情况下亚群的影响可以不考虑呢？ 

我首先想一个例子，身高。假如人类移民去了火星经过几万年的繁衍，火星上的人类身高分布在2～3米，地球人类的身高基本分布在1.6～2米。这个时候这两个亚群如果放在一起做GWAS，寻找和两个星球人身高共同相关的基因的话。如果不考虑亚群因素，地球人相对于火星人全部是矮个子，这肯定是不行的，因为这个时候地球人的所有基因对应的都是矮个子表型。那么应该怎么解决呢？我觉得要么先考虑星球因素，分别对地球人和火星人进行标准化；要么就分别对地球人和火星人进行各自的关联分析然后取交集。

通过上面一个例子我们就很容易的想到什么情况下，亚群的影响可以不考虑，就是我们要考察的表型受亚群影响足够小。如果仅仅是两个地域不同的样本，要考察的群体又不是明显受到自然选择，没有太大的选择压力。由于性状关联的SNP遗传频率在不同群体中没有改变，完全不用担心由于取材区域之间的不同，对计算结果的影响。

说回GWAS的关联分析，我认为就是对性状和SNP做相关性分析，寻找最相关的SNP。不论是线性模型、还是混合模型等等，最终都是为了计算相关性。而对于亚群、性别、血缘样本的处理不过是为了降低其他因素的影响，提高计算相关性的准确性而已。处理方法无外乎去除血缘样本或者对不同性别或者亚群的性状进行性状标准化或者干脆拆成几份进行分析。

当我们了解了GWAS后，对于BSA的样本要求、分析过程也自然而言的会认识地更清晰了。BSA要求的是谱系清楚的极端样本，能够做到三点就能够拿到好的结果，一个是性状真的极端，最好是单基因控制，或者非常肯定有一个重要的主效基因；同时极端的性状能够一眼就识别到，不要出现性状识别错误；一个是尽可能的屏蔽不相关的SNP，无外乎用亲本SNP替换参考基因组，如果有可能用回交纯化子代。当然基因组肯定是越简单越好了。下次我准备再根据自己的想法拆解一下GWAS分析中常见的图。