同一份关联结果,只修改样本量,遗传力估计就可能明显变化。两个性状的遗传相关从正变负,也未必意味着出现了新的生物学发现,可能只是其中一份结果的效应方向被写反。LDSC 的命令不长,真正需要检查的是数字背后的定义是否一致。
本文安装并运行固定版本 LDSC,通过一组可复现的合成对照,检查汇总统计转换、样本量、参考标记总数、截距约束和等位基因方向。重点不是给出一个可以套用到所有疾病的阈值,而是解释每一步改变了什么,以及如何从日志发现问题。

一、这次实际运行了什么?
本次实跑于二〇二六年十一月十七日完成,使用 LDSC 1.0.1 和 Python 2.7.15,程序放在固定摘要的 Linux 容器内。选择这个版本是为了锁定本次行为,不代表它是最新实现。原作者仓库已经链接到较新的 Python 3 实现,读者建立新环境时应同时查看原项目说明与后续实现,不要把不同环境的默认行为混成一份记录。
实验人工生成一万个标记的汇总统计,以及一万个用于回归的教学 LD Score 数值。这里的 LD Score 是按公式构造的自变量,没有从真实基因型计算,也不是可以用于研究的参考面板。两个性状的统计量具有预设的相关结构,主要用于观察软件读表、拟合和方向处理的行为。
因此,下面出现的遗传力与遗传相关只属于这个教学构造。它们不能用于描述人群、疾病、遗传机制或软件在真实数据中的准确率。程序对回归标记少于二十万给出了警告,原始警告保留在附件中。教学练习可以用小规模数据暴露错误,正式研究仍需满足相应模型与数据条件。
下载原创脚本与实跑结果后,在 Linux 或支持 Linux 容器的环境运行下面命令。脚本会生成输入、调用软件、保存日志并核验对照关系。固定镜像摘要写在脚本内,首次运行需要获取镜像,工作目录建议使用新建目录。
python3 189-ldsc/run.py output-ldsc
二、先分清汇总统计、LD Score 和标记总数
单性状 LDSC 可以用一个简化关系理解。关联统计量的平方随 LD Score 增大而变化,回归斜率与样本量、被建模标记总数和遗传力相联系。这个关系并不意味着每个高 LD 位点都有大效应,而是在模型成立的前提下,解释大量标记的统计趋势。
这里有三个容易混淆的数量。汇总表中的样本量描述某个位点关联分析使用了多少样本。回归实际使用的标记数,是各文件取交集并过滤后的数量。用于尺度转换的标记总数,则与参考 LD Score 的构建及其配套计数文件有关。三者各有定义,不能因为一份表有一百万行,就把一百万填进所有有关数量的参数。
本次参考前缀包含 LD Score 文件和配套计数文件,教学标记总数设为一万。实际使用预计算参考数据时,应保留其配套文件与来源说明,不要只下载压缩表,也不要把过滤后的行数直接写回参考计数。否则程序仍可能完成,但报告中的遗传力已经换了尺度。
munge_sumstats.py \
--sumstats trait1.txt \
--signed-sumstats BETA,0 \
--out trait1
ldsc.py \
--h2 trait1.sumstats.gz \
--ref-ld reference \
--w-ld reference \
--n-blocks 100 \
--out h2_baseline
上面命令使用单个教学前缀。正式按染色体准备的参考数据通常使用相应的按染色体参数,不能把两种文件命名方式直接互换。本文设置一百个分块仅用于固定练习条件,不能根据这个小例子的标准误,推断真实全基因组结果的精度。实际文件关系和基本流程可查阅官方操作说明。
三、转换成功,不等于输入没有问题
我们在一万条合格记录之外,增加九条有意设计的问题记录,包括重复名称、缺失效应、低填补质量、低频率、越界概率、零概率、低样本量、回文等位基因和非单碱基变异。转换后正好保留一万条,日志逐项说明了删除原因。
这个计数核对比单纯检查输出文件是否存在更有用。如果正式项目中大量位点突然消失,应先定位损失发生在缺失值、质量过滤、等位基因、重复项还是样本量阶段。不要一开始就放宽全部过滤,因为这样会同时改变输入质量和模型假设,让后续差异更难归因。
本次还发现一个值得写进排错记录的细节。固定容器中的帮助文字把默认最低样本量描述为样本量第九十分位数的一半,但实际日志显示,当大多数位点样本量为一万时,删除阈值是约六千六百六十七。仅查看帮助页,会误以为阈值应为五千。本文按实际执行日志报告行为,不把帮助文字当成已验证结果。
这也提示真实流程应显式记录所用阈值。若项目确实要求某个最低样本量,可以明确指定,并在转换日志里核对实际应用的数值。改变阈值前应先了解不同位点样本量变化的来源,例如缺失、分研究合并或分层分析,不能为了保留更多位点而机械降低门槛。
另一个对照把所有效应值乘以七,同时保持概率和方向不变。两次转换得到的 Z 值完全一致,最大差异为零。本次指定的有符号效应列主要提供方向,统计量的绝对大小由概率转换而来。因此,效应单位改变不一定改变转换后的统计量,但概率与效应来自不同检验时,也可能把彼此不一致的信息拼进同一条记录。
四、为什么样本量写大,遗传力反而变小?
基准输入中的样本量为一万,报告的观察尺度遗传力约为零点零四一。我们随后只把转换文件中的样本量改成两万,其他字段、LD Score 和参考计数不变,估计变为零点零二零五,约减半。
| 对照 | 唯一改变 | 报告的遗传力 | 报告的截距 |
|---|---|---|---|
| 基准 | 无 | 0.0410 | 1.1049 |
| 样本量加倍 | 每个位点 N 改为 20000 | 0.0205 | 1.1049 |
| 标记总数加倍 | 指定 M 为 20000 | 0.0821 | 1.1049 |
| 约束截距 | 使用 no-intercept | 0.0445 | 固定为 1 |
这个结果可以从尺度关系理解。相同的统计量与 LD Score 趋势,如果被解释为来自更大的样本量,模型所需的遗传力就会更小。反过来,只把用于尺度转换的标记总数设成两倍,估计约变成两倍。表中的微小比例偏差来自日志显示精度,不能当成额外的统计现象。
这里的两次修改都是有意制造的不一致,不能用来“校正”一个不满意的估计。真正需要做的是核对样本量来源与参考计数定义。特别是合并多个研究的结果,不同标记可能并非拥有相同样本量,把研究总人数复制到每一行,未必符合该位点实际参与检验的样本构成。
对于病例对照性状,还要区分所报告的尺度、病例对照构成与总体患病率。本文没有运行病例对照分析,也没有进行责任尺度转换。不要把本例的连续性状式教学输入直接移植过去,更不能用研究中病例比例代替总体患病率,再把所得数字解释为人群遗传力。
五、截距、平均卡方和比值要一起看
基准结果的平均卡方约为三点二九二九,截距约为一点一零四九,报告的比值约为零点零四五八。把截距减一,再除以平均卡方减一,可以核对这个比值的数量级。这是对统计量膨胀组成的模型性概括,不是“有百分之四点五八的样本存在问题”。
平均卡方较大,也不能单独证明群体结构没有控制好。多基因信号与其他来源都可能影响它。另一方面,截距接近一也不是数据完全正确的证明。输入方向错位、参考群体不匹配或选择性纳入位点等问题,不能靠一个截距数值全部排除。
本次固定截距为一之后,遗传力从约零点零四一变为零点零四四五。约束截距改变了模型如何解释统计趋势,不能因为结果更大或标准误更小,就认为约束后的答案更可靠。尤其有潜在混杂或样本重叠时,应先判断约束是否有独立依据。
如果平均卡方接近一,比值的分母会很小,读数容易不稳定。此时应回到信号强度、标准误和输入质量,而不是把一个夸张比值作为唯一结论。遗传力估计异常甚至为负,也不应直接截成零后继续所有下游分析,先查数据与模型条件更有价值。有关这些异常情形,可结合官方常见问题逐项定位。
六、遗传相关的正负,取决于方向定义是否统一
两个教学性状的基准遗传相关约为零点六零八,报告标准误约为零点零一九三。我们把第二个性状全部交换效应与非效应等位基因,同时把 Z 值乘以负一,结果仍为零点六零八。这样的同步变换只改变表示方式,没有改变同一个遗传效应的含义。
第二个错误对照只给 Z 值换符号,却保持等位基因标签不变,结果变成负零点六零八。程序仍然能计算,因为从文件结构看,各列都存在且格式合法。问题在于表头声明的效应方向与数值实际代表的方向已经分离。
基准 rg = 0.6080
交换等位基因并翻转 Z rg = 0.6080
只翻转 Z rg = -0.6080
因此,关联结果在不同工具之间传递时,必须把效应方向、等位基因标签和相关频率信息共同核对。对回文位点,单靠字母交换可能无法确定链方向,不能把本次非回文例子的成功对齐推广到所有位点。名称相同也不保证参考版本和变异表示一致。
遗传相关描述的是模型下两个性状遗传效应的相关程度,不直接说明哪个性状导致另一个性状。即使方向一致、估计显著,还需检查性状定义、样本重叠、参考人群及输入交集。两个分析使用的位点集合不同,也可能使单性状遗传力与相关分析中报告的遗传力有所差异,不能只按文件名判断它们应该完全相同。
七、把检查顺序固定下来,比反复换参数有效
实际分析时,可以先留存未经转换的原始表,再输出一张字段说明,写清效应等位基因、统计检验、样本量来源与基因组版本。随后记录每一步过滤的剩余数量,确认与参考数据合并后究竟保留多少位点。这样遇到异常时,能够区分是输入改变、交集改变,还是模型参数改变。
参考面板应与研究人群和分析设计相适应。不能因为某套参考文件下载方便,就假定它适合所有祖源。对于跨人群合并或明显异质的汇总结果,应先检查方法适用条件,再决定是否需要分层分析或其他方案。这里的教学自变量尤其不能替代任何真实参考面板。
最后同时保存转换日志、回归日志、软件版本、参考数据版本与完整命令。汇报时至少解释估计尺度、标准误、截距处理方式和实际进入回归的标记数量。LDSC 的优势是能从汇总统计回答整体遗传结构问题,其限制也恰恰在于这些汇总字段必须定义一致。把定义与对照关系检查清楚,得到的数字才有可讨论的含义。
当这些输入与核验流程需要长期复用时,可通过云生信生物信息学分析环境服务保留软件环境、参考文件和分析记录。
