外觀
全基因體關聯分析 (GWAS Fundamentals)
在大量個體中,對基因組上數百萬個常見變異逐一檢定與性狀(疾病有無、身高、血脂)的關聯。GWAS 找到的是關聯位點,不是致病變異本身:顯著的 SNP 常只是與真正致病變異處於連鎖不平衡 (LD) 的標記。
流程
text
基因型(晶片 / 定序)──QC──► 填補 (imputation) ──► 族群結構(PCA)
──► 逐 SNP 關聯檢定(共變數:年齡、性別、PCs)──► Manhattan / QQ、λ
──► 顯著位點 ──► fine-mapping、colocalization、功能註解 ──► 候選基因| 步驟 | 常見做法 | 為什麼 |
|---|---|---|
| 樣本 QC | 檢查 call rate、性別不符、親緣(移除近親)、異型合子率 | 樣本錯置與污染會產生假關聯 |
| 變異 QC | call rate > 95–98%、MAF > 1%、對照組 HWE p > 10⁻⁶ | 基因分型錯誤常表現為偏離 Hardy–Weinberg |
| 填補 | Michigan / TOPMed imputation server、Beagle | 由參考族群推估未測到的變異,增加覆蓋 |
| 族群結構 | 基因型 PCA,前 10 個 PCs 當共變數;或線性混合模型 | 族群分層 (stratification) 是最大的假陽性來源 |
| 關聯檢定 | 數量性狀:線性迴歸;二元性狀:邏輯斯迴歸;大樣本:REGENIE、SAIGE、BOLT-LMM | 混合模型同時處理親緣與分層 |
| 顯著門檻 | p < 5 × 10⁻⁸ | 約等於對 100 萬個獨立檢定做 Bonferroni |
bash
# PLINK 2:QC + 關聯檢定
plink2 --pfile data --maf 0.01 --geno 0.02 --hwe 1e-6 --mind 0.02 --make-pgen --out qc
plink2 --pfile qc --pca 10 --out pcs
plink2 --pfile qc --pheno pheno.txt --covar pcs.eigenvec --covar-name PC1-PC10 \
--glm hide-covar --out assoc結果判讀:Manhattan plot 與 QQ plot

| 圖 / 指標 | 看什麼 |
|---|---|
| Manhattan plot | 每個點是一個 SNP;高聳的「塔」是一個關聯位點,塔裡的許多 SNP 彼此處於 LD |
| QQ plot | 觀察到的 p 值 vs 均勻分布下的期望;大部分點應貼著對角線,只有尾端(真訊號)上揚 |
| 基因組膨脹係數 λ | 觀察到的卡方統計量中位數 ÷ 期望中位數(0.455);≈ 1 為良好 |
模擬中,中間的 QQ plot 只在尾端偏離(λ = 1.00);右邊未校正族群分層,整條線從一開始就偏離(λ = 1.25)。λ 偏高要先懷疑分層或親緣未校正;但多基因性狀在超大樣本中,λ 偏高也可能來自大量真實的微小效應,可用 LD score regression 的截距區分。
從位點到基因
| 方法 | 問題 | 工具 |
|---|---|---|
| Fine-mapping | 位點中哪幾個變異最可能是致病的?(credible set) | SuSiE、FINEMAP |
| Colocalization | 與 eQTL / pQTL 是否共享同一個致病變異? | coloc |
| 功能註解 | 變異落在編碼區、增強子、開放染色質? | VEP、ENCODE、Roadmap |
| 基因層級檢定 | 把位點內的訊號彙整到基因 | MAGMA |
| 孟德爾隨機化 (MR) | 暴露因子是否因果影響結果? | TwoSampleMR |
| 多基因風險分數 (PRS) | 把全基因組效應加總,預測個人風險 | PRS-CS、LDpred2 |
PRS 在訓練族群以外(例如以歐洲族群訓練、套用到東亞族群)準確度明顯下降;現有 GWAS 以歐洲族群為主,見 資料偏差與代表性。
PRS 的預測力:R²
PRS 好不好,看它在獨立的目標樣本中多解釋了多少表型變異。
| 指標 | 用於 | 說明 |
|---|---|---|
| Incremental R² | 連續性狀 | R²(共變數 + PRS) − R²(只有共變數);共變數含年齡、性別、族群主成分 (PCs) |
| Nagelkerke R² | 二元性狀 | 邏輯斯迴歸的 pseudo-R²,數值受樣本中病例比例影響,不同研究不能直接比 |
| Liability-scale R² | 二元性狀 | 依族群盛行率 K 與樣本病例比例 P 轉到潛在易感性尺度(Lee et al. 2012),可跨研究比較 |
| AUC、每 SD 的 OR、最高 vs 最低十分位 | 二元性狀 | 臨床上較直覺;AUC 常只比只用共變數的模型高一點 |
r
null <- lm(height ~ age + sex + PC1 + PC2 + PC3 + PC4, data = d)
full <- update(null, . ~ . + prs)
summary(full)$r.squared - summary(null)$r.squared # incremental R²| 注意 | 說明 |
|---|---|
| 上限是 SNP 遺傳率 | R² 不會超過 h²SNP;身高在歐洲族群可達約 40%,多數疾病只有個位數百分比 |
| 樣本重疊 | 目標樣本若也在 GWAS 訓練資料中,R² 嚴重高估 |
| 調參與評估分開 | 用同一批樣本挑 p 值門檻 / 收縮參數又報告 R²,等同 資料洩漏;要切出驗證與測試集 |
| 族群可轉移性 | 以歐洲 GWAS 建的 PRS,用在東亞族群準確度約降一半,非洲族群降得更多(Martin et al., Nat Genet 2019) |
pseudo-R² 的概念見 邏輯斯迴歸:模型配適指標。
常見誤解
| 誤解 | 實際 |
|---|---|
| 最顯著的 SNP 就是致病變異 | 多半只是 LD 中的標記;需要 fine-mapping |
| 位點最近的基因就是目標基因 | 調控變異常作用在較遠的基因;需要 eQTL / colocalization / 實驗 |
| 效應量小就沒有意義 | 單一變異的 odds ratio 常只有 1.05–1.2,但可指出藥物標的 |
| 只看 p 值不看 QQ plot | 分層造成的整體膨脹會讓許多位點看起來顯著 |
大規模資料處理見 Spark for Genomics;統計框架見 QTL 分析:相關統計方法。參考講義:Analyzing GWAS data(Stanford GENE 210)。