全基因组关联分析(Genome-wide association study,GWAS)是利用统计学方法,基于连锁不平衡原理,将标记与目标性状进行关联,相比于连锁分析,不需要构建特殊的群体且可同时对多个性状进行分析,对QTL定位的精度可达到单基因水平。
全基因组关联分析(Genome-wide association study,GWAS)是利用统计学方法,基于连锁不平衡原理,将标记与目标性状进行关联,相比于连锁分析,不需要构建特殊的群体且可同时对多个性状进行分析,对QTL定位的精度可达到单基因水平。 自2005年[1],研究人员釆用GWAS分析成功地鉴定到影响年龄相关性视网膜黄斑变异(Age-related Macular Degeneration)的重要遗传因子,标志着全基因组关联分析方法真正开始应用到复杂疾病和数量性状的遗传分析研究中。之后,GWAS被广泛应用在各种研究领域,高分文章层出不穷,受到越来越多科研人员的青睐。那么,话不多说,我们直接观看视频看看GWAS到底如何操作。(建议在wifi环境下观看~~) 1)简单介绍GAPIT;说明输入和输出文件;介绍一些实际的参数; 2)通过网页说明如何安装R,和获取GAPIT信息; 3)选取重要输入文件进行说明和展示; 4)实际操作:安装R包,加载R包,实际分析代码简单说明和运行代码(内有案例); 5)结果文件说明:提取示例结果中的若干文件进行说明。 例一: setwd('E:/myGAPIT/GAPIT_result_1') myY <- read.table('e:/mygapit/gapit_tutorial_data/mdp_traits.txt',="" head=""> myG <-read.table('e: ygapit/gapit_tutorial_data/mdp_genotype_test.hmp.txt'="" ,head=""> myGAPIT <-> Y=myY, G=myG, PCA.total=3 ) 例二: setwd('E:/myGAPIT/GAPIT_result_2') myY <- read.table('e:/mygapit/gapit_tutorial_data/mdp_traits.txt',="" head=""> myG <- read.table('e:/mygapit/gapit_tutorial_data/mdp_genotype_test.hmp.txt'="" ,="" head=""> myGAPIT <-> Y=myY, G=myG, PCA.total=3, kinship.cluster=c('average', 'complete', 'ward'), kinship.group=c('Mean', 'Max'), group.from=200, group.to=1000000, group.by=10 ) 如有疑问,欢迎大家留言交流哦!如果您想了解更多GWAS分析相关的内容,或者对基于高通量测序的群体遗传学研究有兴趣的话,我们动植物基因组事业部有着丰富的项目经验、发表了多篇高质量的文章,可以基于不同群体的研究热点及取样思路,为客户提供各种基于高通量测序的群体遗传学研究方案。 参考文献 [1] Klein R J, Zeiss C, Chew E Y, et al. Complement factor H polymorphism in age-related macular degeneration[J]. Science, 2005, 308(5720): 385-389. |
|