【原】GWAS结果可视化：基因型的箱线图添加显著性

数据分析后，结果的可视化非常重要，比如GWAS分析后，将显著性位点进行可视化，AT的突变，共有AA、AT、TT三种基因型，比如对应的是体重，那么这三种基因型都有对应的体重，为了形象的展示出那种基因型更高，以及他们之间的显著性，做一个箱线图+显著性检验，无疑是最好的。

1，模拟数据：

library(tidyverse)library(ggpubr)set.seed(123)y1 = rnorm(10) + 5y2 = rnorm(10) + 15y3 = rnorm(10) + 35
dd = data.frame(Genotype = rep(c("AA","AT","TT"),each=10),weight = c(y1,y2,y3))dd

2，直接分组箱线图

可以看到TT的基因型最高，其次是AT，最后是AA，很明显，T是优势基因。

ggboxplot(dd,x = "Genotype",y = "weight",color = "Genotype",add = "jitter")

3，添加显著性检验的结果（ANOVAR方法）

原始的方差分析结果：

mm = aov(weight ~ Genotype , data=dd)summary(mm)

可视化的话，有两种：一种是显示P值，一种是显示星号

p = ggboxplot(dd,x = "Genotype",y = "weight",color = "Genotype",add = "jitter") p + stat_compare_means(method = "anova")

p + stat_compare_means(method = "anova",label = "p.signif")

4，分组两两之间显著性检验

方差分析，只能表明AA、AT、TT三者之间至少有两个之间达到极显著，如果想要检测两两之间的，还需要进行多重比较，这里可以对两两之间进行T检验，然后把结果可视化。

my_comparisons = list( c("AA", "AT"), c("AA", "TT"), c("AT", "TT") )p + stat_compare_means(comparisons = my_comparisons,                       # label = "p.signif",                       method = "t.test")
p + stat_compare_means(comparisons = my_comparisons,                       label = "p.signif",                       method = "t.test")

结果如下：