software

SuSiE 实跑指南——可信集合为什么不是因果名单,怎样发现效应方向与 LD 不一致?

作者:发布于 2026-11-17约 11 分钟阅读
程序收敛,输入仍可能错位。两个合成信号,逐项核对 PIP、可信集合与 LD 方向。候选不确定性,两个完全相关的位点,各得约 0.5 PIP,同属一个集合,不等于都已证实因果。同步改写编码,Z 换符号,LD 对应行列也要换符号,正确变换后,全部 PIP 恢复一致。错误对照,关闭方差估计后可收敛,却漏掉信号,消除报错,不能代替修正输入。

精细定位结果里,一个位点的后验纳入概率很高,并不意味着实验已经证明它具有因果作用。另一个常见误区是程序已经收敛,就认为输入没有问题。我们在本次实跑中构造了一个反例,效应方向错位后,改变参数可以让程序继续完成,但原本清楚的第二个信号反而消失。

本文使用 susieR 实际完成个体数据拟合、汇总统计拟合和多组错误对照,逐步解释 PIP、可信集合、信号数上限及 LD 方向。所有基因型和表型由脚本生成,读者可以复现每一步,观察哪些变化仅仅改变表达方式,哪些变化破坏了模型所需的一致性。

程序收敛,输入仍可能错位。两个合成信号,逐项核对 PIP、可信集合与 LD 方向。候选不确定性,两个完全相关的位点,各得约 0.5 PIP,同属一个集合,不等于都已证实因果。同步改写编码,Z 换符号,LD 对应行列也要换符号,正确变换后,全部 PIP 恢复一致。错误对照,关闭方差估计后可收敛,却漏掉信号,消除报错,不能代替修正输入。
两个合成信号,逐项核对 PIP、可信集合与 LD 方向

一、固定版本,并保留完整的教学输入

本次于二〇二六年十一月十七日安装 CRAN 的 susieR 0.14.2,同时安装其所需的 mixsqp 0.3-54,在 R 4.3.3 环境完成运行。这里报告的是实际安装版本,项目在线文档中的开发版本可能已经提供其他接口,不应直接把新增参数复制到旧版本。

安装时可以使用对应版本的源码包,并按包依赖说明准备环境。下面命令假设源码包已经下载到当前目录、所需依赖已经安装。运行之前先检查版本,避免把安装失败后的旧环境当成新环境继续分析。来源与依赖可在CRAN 包页面核查。

install.packages("susieR_0.14.2.tar.gz",
                 repos = NULL, type = "source")
library(susieR)
stopifnot(as.character(packageVersion("susieR")) == "0.14.2")
sessionInfo()

下载原创脚本和实际输出后,使用 Python 驱动调用 R 即可重跑全部对照。如果包安装在独立库目录,可以通过参数指定。脚本会保存生成的基因型、表型、汇总统计、LD 矩阵、拟合结果和错误信息,不需要任何真实个体资料。

python3 190-susier/run.py output-susier
# 独立 R 库的情况
python3 190-susier/run.py output-susier --r-library /path/to/R-library

本次固定随机种子,生成八百个样本和六十个位点。表型由第一个位点、第三十一个位点及随机噪声共同构成。为了让“不确定性”容易看清,我们把第二个位点设置为二减去第一个位点的基因型剂量,因此两者完全负相关。

这种设计故意制造了统计上无法区分的一对变量,不代表真实队列的频率结构或关联分布。它适合验证软件和读表逻辑,不能用于比较不同精细定位方法的总体准确率,也不能把某次随机生成的强信号写成生物学发现。

二、个体数据与汇总统计,应当先做一致性对照

个体数据分析直接使用基因型矩阵和表型。汇总统计分析则输入各位点的边际效应、标准误、样本量以及位点间相关矩阵。这里的相关矩阵必须与用于产生汇总统计的基因型定义一致,既包括样本和位点顺序,也包括等位基因编码。

本例从同一个基因型矩阵计算单变量回归和相关矩阵,并提供表型方差。因为 LD 来自完全相同的样本,实跑允许估计残差方差。个体数据与汇总统计拟合的 PIP 最大差异约为二乘十的负十四次方,非截距系数最大差异约为二乘十的负十一次方,数值上吻合。

ss <- univariate_regression(X, y)
R <- cor(X)
fit_individual <- susie(
  X, y, L = 2, max_iter = 400, tol = 1e-8
)
fit_summary <- susie_rss(
  bhat = ss$betahat, shat = ss$sebetahat,
  R = R, n = nrow(X), var_y = var(y),
  L = 2, max_iter = 400, tol = 1e-8,
  estimate_residual_variance = TRUE
)
max(abs(fit_individual$pip - fit_summary$pip))

这种对照很适合用于建立新流程。先在一份已知输入上确认两个接口使用的是同一套定义,再接入外部汇总数据。若本应等价的结果明显不同,应先检查样本筛选、缺失值处理、协变量调整和标准化方式,而不是立即寻找一个能让图形更好看的参数。

当关联分析已经调整协变量时,直接对未经相同处理的基因型计算相关矩阵,未必对应相同统计模型。真实项目还可能出现不同位点使用不同样本的情况。本文的干净合成数据没有这些复杂性,读者需要在自己的数据准备阶段补齐检查,不能把本次一致性当成所有外部汇总结果都适用的保证。相关输入关系见作者的汇总统计教程。

三、两个位点各得一半概率,究竟是什么意思?

基准拟合产生两个可信集合。第一个集合包含第一、第二个位点,两者 PIP 都约为零点五。第二个集合只有第三十一个位点,PIP 约为一。这个结果与人为设计相符,但解释时仍要分清“哪个信号存在”和“哪个变量承载信号”。

第一、第二个位点在中心化后仅相差一个负号。任何由第一个变量解释的线性变化,也可以由第二个变量配合反号系数解释。因此,模型很难仅凭当前数据把这两个候选者分开。各得一半并不是说它们各自贡献一半真实生物学效应,更不是已经证明两者都具有因果作用。

可信集合表达的是模型下对某个信号位置的不确定性。集合中可能有多个彼此高度相关的替代候选者,其用途之一是告诉后续实验“现有统计证据还无法排除哪些对象”。把集合压缩成一个最高概率位点,会丢掉这种不确定性,也可能让后续功能验证过早聚焦。

本例设定的目标覆盖率为百分之九十五,但实际集合累积覆盖接近一。因为概率是离散分配的,纳入最后一个候选者后可能超过目标。读表时应区分要求的覆盖率和实际累计覆盖率,也要查看集合内相关程度。高纯度说明候选者在统计结构上紧密相关,不能替代输入正确性和模型适用性的检查。

四、把相关系数平方,为什么会出问题?

许多遗传分析报告使用相关系数平方描述连锁强弱,但 SuSiE 的汇总统计模型需要带正负号的相关系数。本例第一、第二个位点的相关系数为负一,边际 Z 值分别约为正十八点六零五与负十八点六零五。两者方向相反,与负相关的编码关系完全一致。

如果把相关矩阵逐项平方,原来的负一变成正一,但两个 Z 值仍然一正一负。模型收到的消息变成“两个变量完全同向变化,却有完全相反的强关联方向”,与原始输入的几何关系冲突。本次平方矩阵对照在估计残差方差时失败,提示估计值为负。

这里不能用“软件不支持负相关”来解释错误。恰恰相反,负号是正确输入的一部分。平方后得到的矩阵即使仍然对称、对角线为一,也无法保证它表达的相关结构与汇总统计一致。仅检查矩阵形状,不足以发现这种语义错误。

实际准备 LD 时,应该保留位点有序清单,并明确剂量对应哪个等位基因。检查矩阵对称性、数值范围和对角线有助于发现文件损坏,但这些检查应与位点身份、顺序和编码核对一起完成。一个格式完全正常的矩阵,也可能属于另一批位点或另一套方向。

五、只翻转效应,与同步改写编码,是两种操作

我们再做一个更小的错误,只把第二个位点的 Z 值乘以负一,保留相关矩阵不变。它同样触发了残差方差为负的错误。这次只改了一个数值,足以破坏与相关矩阵之间的一致性。

正确的编码变换则需要同步进行。如果把第二个位点的效应方向反过来,相关矩阵的第二行和第二列也要分别乘以负一。对角元素被乘两次,仍然是一。经过这组同步变换,本次所有位点的 PIP 与原 Z 值拟合完全相同,最大差异为零。

对照 输入变化 实际结果
基准 有符号 LD 与原 Z 值 两个可信集合
仅翻转一个 Z LD 保持不变 残差方差估计失败
同步翻转 Z 与对应 LD 行列一起改写 PIP 恢复原结果
LD 逐项平方 负相关变为正相关 残差方差估计失败
错误 Z 加固定方差 保留错位,关闭方差估计 收敛,但第二个信号消失

这个同步变换也适用于理解文件排序。若确实需要调整位点顺序,效应向量、标准误向量、矩阵行和矩阵列必须使用同一个排列。只给汇总表按坐标排序,却保留原矩阵顺序,会把其他位点的相关关系贴到当前位点上,程序未必能够仅凭数值发现。

六、程序收敛,为什么仍可能得到错误答案?

为了检查常见的“改参数消除报错”做法,我们保留错误的 Z 值,将残差方差估计关闭。程序这次成功返回,记录显示两轮迭代后收敛,也没有捕获到警告。然而第一、第二个位点的 PIP 均变为约零点七五,第三十一个位点降至约二乘十的负十三次方,第二个可信集合不见了。

这证明,在这个特定反例中,完成和收敛只说明所设置的计算过程满足了自身停止条件。它没有验证输入是否来自同一套基因型与效应定义。原来明确的另一个信号丢失,原因是错误输入仍然存在,而不是关闭方差估计本身永远不合理。

对外部参考 LD,固定残差方差可能是合理的建模设置。问题在于不能把这项选择当成修复等位基因错误的手段。应先解决位点对齐与数据一致性,再依据 LD 来源选择模型,而不是用一个可以运行的设置倒过来证明输入正确。

我们还调用一致性诊断函数。基准估计接近零,约为六点四七乘十的负九次方。只翻转 Z 或平方 LD 后,估计接近一。同步改写编码后又回到基准值。它在本例中清楚区分了几组输入,但这不是适用于所有研究的万能阈值,尤其这里含有完全相关的极端构造。

z <- ss$betahat / ss$sebetahat
estimate_s_rss(z, R, n = nrow(X))

实际诊断还应定位哪些位点的观测统计量与条件预期明显不符,再回查编码、频率、样本构成和参考面板。诊断值偏大不自动等于等位基因翻转,偏小也不证明所有假设都成立。函数含义和进一步检查方法可查阅作者的一致性诊断教程。

七、L 是容量设置,不是要求发现几个信号

本例把最大单效应分量数设为一时,只保留了第一组候选者,第三十一个位点的信号没有被建模出来。设为二时得到前述两个集合。设为十时仍只报告两个通过筛选的可信集合,并没有因此出现十个可信信号。

但“集合数量相同”也不意味着所有数值不变。设为十后,第一、第二个位点 PIP 约为零点五零八三,一些其他位点获得较小的纳入概率。全部 PIP 的和约为二点九六七,基准则为二。不能只看集合名称相同,就声称两个设置完全等价。

这类比较应同时查看集合成员、覆盖率、纯度、PIP 分布与收敛情况。若增加容量后结果大幅改变,应检查模型稳定性与输入一致性,而不是无限增大上限。对于复杂区域,单次运行形成的漂亮集合,也需要结合不同合理设置与独立信息评估。

本次练习最值得带走的经验是,把能够保持结果的编码变换作为正对照,把故意破坏一致性的输入作为错误对照,再观察软件是否以预期方式响应。SuSiE 能清楚表达候选位点的不确定性,但这种表达建立在输入定义和模型假设之上。只有先守住这些条件,可信集合才适合进入后续功能研究。

需要把这类可复现练习扩展为长期分析流程时,可通过云生信生物信息学分析环境服务保存 R 环境、输入核验脚本和结果记录。

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 ↗