基因型数据进行PCA分析是否提前对LD进行质控

大家好，我是邓飞。

之前我总是认为，基因型数据对PCA分析，不需要进行LD质控，因为PCA构建需要先计算G矩阵（基因型数据绘制PCA图和聚类分析图），而G矩阵依赖LD，原则上SNP位点越多，密度越高，G矩阵越能反应个体间的关系，进而PCA越准确。

所以，我认为PCA分析不需要进行LD质控，并写了篇博客介绍（进化树、群体结构、PCA分析需要对LD进行质控吗？），今天看到一篇博客，用实际数据测试了一下，给了我其它角度看待问题。

原文：https://privefl.github.io/bigsnpr/articles/how-to-PCA.html

数据共包括5个人中数据，分别是荷兰人（Netherlands）、意大利人（Italy）、英国 1（UK1）、英国 2（UK2）和芬兰人（Finland），使用所有的基因型数据，绘制PCA图：

可以看到，芬兰人和意大利人分得比较清晰，但是另外三种人种（荷兰人、英国人1，英国人2）没有分开。

这时候PC3和PC4的图，对于人群分不开，如下图所示。

如果对长区间的LD进行质控（removing long-range LD regions only），对于PC1和PC2结果不变，但是PC3和PC4结果好很多，如下图：

亚群荷兰人和英国人也分得比较清楚。

结论：

对于差异比较大的群体，是否进行LD质控对分群结果没有影响。

对于亚群体，对长LD进行质控，虽然PC1和PC2结果不变，但是PC3和PC4会提升区分性。

我的建议：

对于SNP位点比较少的，比如覆盖度有限的位点，建议不进行LD质控。

对于SNP数据量很多的，可以进行长LD质控，比如R2设置0.9，-indep-pairwise 50 10 0.9

注意，即使进行了LD质控，在进行GWAS分析时，也需要用所有的位点，不过PCA可以用LD质控后计算的PCA结果。