GWAS的表型数据清洗

GWAS的表型数据清洗

1. 表型数据的选择

动物数据中，对于大部分性状，一个个体只有一个观测值，直接用表型值进行后续的分析即可。

对于纵向数据（比如不同胎次的产仔数，不同时期的剪毛量），对于一般的GLM模型，MLM模型，需要用平均值或者BLUE值作为表型值。

现在也有软件可以分析纵向数据的GWAS，比如宁超老师开发的软件（http://www.chaoning.org/Softwares/）

对于植物数据，特别是随机区组的数据，一年多点的数据，一个基因型ID对应多个表型值，这些表型值如何利用呢？

用平均值是可以的，但是使用BLUE值或者BLUP值的更多：

https://blog.csdn.net/yijiaobani/article/details/94712751

整体而言，BLUP值会想均值收缩（shrinkage）， 虽然结果是最佳预测, 但是校正值的方差变小, 当你做GWAS时, 不容易找到显著性位点，增加了噪音(noise)。而且在GWAS中，品种是作为随机因子，如果你使用BLUP值，相当于进行了两次收缩(shrinkage)。因此, 比较好的方式是，在one-stage中，将地点，年份，区组作为随机因子，将品种作为固定因子，计算BLUE值。

2. 异常值的问题

数据分析中，一定要检查异常值，常见的异常值：

13.4写成了：134 13.4 写成了：13..4

这些可以通过判断数据的类型，R中的str函数，如果一列数据判断为了字符，那就需要注意下是否有数字编码错误。

另外，就是进行汇总统计，看一下最大值，最小值，平均值，中位数，看一下数据的分布是否正常。

对于小数点标错，可以更正的更正一下。对于数据异常，可以找一下原始的数据记录，确认一下数据是否录入错误。

对于不可更正的异常值，将其作为缺失。

3. 是否删掉三倍标准差

这个标准，有时候会用，但不是必须使用，一般不使用。数据量少时，更应该谨慎使用。可以做一下GWAS的对比，看一下删除与否的效果。检测三倍标准差的R代码，参考：

A <- rnorm(1000,0,1)
outlier_above <- which(A > mean(A) + 3*sd(A))
outlier_below <- which(A < mean(A) - 3*sd(A))

上面代码，会过滤出三倍标准差之外的数据，然后挑选出来，再决定是否要删除。

4. 数据的是否转换为正态

对于数量性状，稍微偏态的数据也是可以接受的。

一般不进行公式转换，因为结果不好解释。

5. 表型数据整理应该下大功夫

从调查数据开始，要严格要求，怎么强调都不为过，尽量亲身参与。

质控数据要谨慎，删除数据要谨慎。

多做几次分析，根据结果，权衡一下不同的方案！GWAS分析效果好坏重点是看QQ图

6. 表型数据常见的可视化

•缺失数据可视化•直方图•箱线图

最后，祝大家元宵节快乐，阖家幸福！