云生信学生物信息学

REGENIE多表型任务编排:输入核对、阶段复用与资源预算

作者:发布于 2026-11-21更新于 2026-11-15约 6 分钟阅读
REGENIE复用有前提

REGENIE复用有前提:核对表型与ID;冻结Step1预测;按染色体检验;逐表型检查结果
本文操作与检查路径示意。

REGENIE多表型分析的复用单位是匹配的样本、模型和第一阶段预测,不是一个随处可用的pred.list。先把表型和协变量核对,再决定哪些表型可放在同一任务。本篇限定两个定量表型、已完成质控的基因型,用一个Step 1生成各表型LOCO预测,再分染色体运行Step 2。二分类、生存和稀有变异集合检验另有设置。

把表型清单与基因型ID对齐

pheno.tsv表头为FID、IID、trait1、trait2,covar.tsv含FID、IID、age、PC1、PC2,使用TAB分隔。个体ID须唯一且与基因型身份规则一致,缺失以官方支持方式表示,不将缺失编码当成真实测量。检查每个表型的有效样本量、方差和异常值,协变量缺失也会影响实际纳入。

阶段 固定输入 可复用边界
Step 1 全基因组QC标记、两个定量表型、协变量 生成各自LOCO预测
Step 2 匹配表型/协变量与待检基因型 可按染色体测试
资源 线程、block大小与lowmem目录 lowmem将部分压力转向磁盘
验收 pred.list、loco文件及逐表型结果 缺表型不能当整批成功

生成并冻结第一阶段输出

以下PGEN前缀须已验证,Step 1是适用的全基因组QC集合,不是单条染色体。block大小100、两线程为试跑教学值。样本与标记筛选应先完成方法评估,不能直接照搬某一队列阈值。新目录避免覆盖旧预测,绝对输出前缀有利于后续定位文件。

set -euo pipefail
mkdir regenie-batch-001
root="$PWD/regenie-batch-001"
regenie --version > "$root/version.txt"
/usr/bin/time -v -o "$root/step1.time" regenie --step 1 \
  --pgen /data/step1_qc --phenoFile "$PWD/pheno.tsv" \
  --phenoColList trait1,trait2 --covarFile "$PWD/covar.tsv" \
  --covarColList age,PC1,PC2 --bsize 100 --threads 2 --lowmem \
  --lowmem-prefix "$root/tmp-preds" --out "$root/fit" \
  > "$root/step1.console.txt" 2>&1
test -s "$root/fit_pred.list"
cat "$root/fit_pred.list"

检查pred.list同时包含两个预期表型,并确认列出的预测文件实际存在、可读且版本一致,不能只看列表非空。读取Step 1日志的样本、表型和标记数,确认没有低方差或输入问题使某个表型被排除。保留预测文件与清单相对关系,移动目录后先核对路径再提交Step 2。

按染色体复用匹配预测

继续在同一项目目录执行,本例只演示染色体1、2,不代表全基因组。默认按表型分别写出结果,无需–split参数。每个输出前缀独立;真实队列要列全待检范围并保存任务清单。此处仍是定量表型,不能混入二分类专用参数来“统一模板”。

set -euo pipefail
root="$PWD/regenie-batch-001"
test -s "$root/fit_pred.list"
for chr in 1 2; do
  /usr/bin/time -v -o "$root/chr$chr.time" regenie --step 2 \
    --pgen "/data/chr$chr" --phenoFile "$PWD/pheno.tsv" \
    --phenoColList trait1,trait2 --covarFile "$PWD/covar.tsv" \
    --covarColList age,PC1,PC2 --pred "$root/fit_pred.list" \
    --bsize 100 --threads 2 --out "$root/test_chr$chr" \
    > "$root/chr$chr.console.txt" 2>&1
  for trait in trait1 trait2; do
    test -s "$root/test_chr${chr}_${trait}.regenie"
  done
done

按表型检查,而不是只看总退出码

逐个结果核对染色体、等位基因、样本量、检验数与结果字段,记录未测或失败原因。缺失模式不同的表型可能具有不同有效样本,不能要求所有N完全相同;也不能因为一个表型有结果就把另一个标为通过。模型诊断和群体结构评估需另外完成,文件存在不是显著性可靠的证明。

表型定义、协变量、样本集合或Step 1标记协议变化时,重新判断是否需要拟合,不混用旧LOCO预测。相同设计的Step 2可用于不同待检变异集,但参考、样本和等位基因解释仍须匹配;不是拿他人预测文件就能省略第一阶段。

分别记录两阶段的墙钟、RSS和工作盘,lowmem临时预测增加I/O与容量需求,不能称为不耗资源。先测完整单染色体,再增加并发,注意每个调用的线程预算叠加。保留逐表型状态表和全部范围清单,确认无缺片后才汇总或绘图。

参考资料

需要额外算力时

适用前提:模型与输入已验证,多个有效表型需要稳定批量运行资源。如需额外资源,可评估按任务测算的CPU服务器租赁。咨询时说明软件版本、任务规模和使用期限,配置与支持范围另行确认。

咨询本任务的服务器配置

咨询本任务的服务器配置

留下手机号,我们会结合本文任务与您沟通服务器配置和报价。

也可联系云生信企业微信客服,说明本文任务。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗