混合模型日志显示使用九百个位点,最终关联结果却有一千一百九十九行,这是否意味着筛选列表失效?另一个常见疑问是,结果里的极小概率读入分析脚本后变成零,究竟是软件输出为零,还是后续数值转换丢失了信息?
本文实际运行 BOLT-LMM 2.5,使用六千个人工样本、三条人工染色体和一千二百个位点,核对模型位点集合、待检验集合、样本缺失及结果读取。我们运行的是无穷小效应模型分支,不包含真实队列、真实遗传图谱、非无穷小模型比较或正式遗传力研究。

一、理解两个位点集合,比先调参数更重要
混合模型需要一组位点描述背景遗传关系,同时可以检验更广的一组候选位点。两组位点可以重叠,但承担的职责不同。用于构建背景的筛选列表,不能不经核对就解释为最终关联结果的白名单。
本次在每条染色体四百个位点中选取前三百个用于背景模型,共九百个。其余三百个仍存在于基因型文件中,其中包括一个人为加入较强性状效应的位点。这样可以直接检查它没有进入背景集合时,是否仍被逐位点检验。
数量性状由多个人工基因型效应、年龄与随机扰动生成。输入没有真实连锁不平衡、人口史、批次或亲缘结构,因此不能根据这次输出评价真实人群中的校准和检出能力。六千只是本次人工样本数量,不会使简化模拟自动变成真实队列证据。
软件的适用性建议可查官方用户手册。本次选用数量性状,明确运行无穷小效应模型,没有将二分类严重不平衡场景混入同一命令,也没有借此比较不同关联工具谁更准确。
二、安装后先核对版本与输入约定
本次使用固定摘要的容器,程序输出版本为二点五,限制两核和四吉字节内存。输入二进制基因型及配套位点、样本文件均由脚本生成,所有命令和输出随实跑复现包保存。首次运行需要可访问的镜像下载环境。
python3 run.py ./bolt_practice
安装成功只解决程序能否启动。开始统计前,还需要核对二进制文件与样本、位点注释是否属于同一批数据,等位基因顺序是否有明确来源,表型与协变量是否按编号匹配。只复制体积最大的基因型文件,丢掉其他配套文件,会使这些检查失去依据。
我们把表型表倒序排列,协变量表按正常顺序排列,使用家系编号与个体编号标识同一人。这个设计保留了文件之间的身份关系,行号不承担身份含义。实际项目还应检查重复编号和跨中心命名冲突,不能仅靠两边行数相同认定样本已经对齐。
本次记录的是受控条件下的功能运行,没有统计内存峰值,也没有安排多次计时和缓存对照。因此日志中的耗时不作为性能结论,更不能按输入大小简单线性外推到大规模真实项目。
三、遗传图谱检查报错时,先检查单位和比例
为了观察输入检查,我们额外写了一份遗传位置明显不合理的位点表。其物理位置在每条人工染色体末端为四百万碱基,遗传位置却达到二个摩根。程序在正式建模前退出,并提示遗传位置与物理位置比例异常。
正常实验采用另一份人工位点表,同一末端的遗传位置为零点〇四摩根,随后能够继续运行。两份文件之间只有这组人工坐标不同,因此可以把失败定位到图谱检查,而不必猜测是表型缺失、线程数或关联模型导致。
这个对照不说明通过比例检查的图谱就具有真实生物学意义。本次两份位置都是手工设置,比例检查只能排除某些明显不合理输入。正式数据仍要确认参考组装、染色体名称、物理位置和遗传图谱版本是否一致。
还要特别注意遗传距离的单位。摩根与厘摩根相差一百倍,输入文件的来源约定和当前软件说明都应核对。遇到检查错误时,直接关闭检查可能让程序继续运行,却不会自动修正单位、参考版本或错误坐标。
我们的成功对照没有关闭这项检查,而是使用比例合理的人工输入。复现包保留了失败命令及非零退出状态,使读者能看到错误在哪个阶段出现。预期失败的对照应单独标记,不能把整个日志里出现过错误都解释成最终分析失败。
四、九百个模型位点与一千多条检验结果并不矛盾
默认实验日志先列出九百个位点进入模型,另外三百个位点作为非模型位点载入。随后一个缺失率较高的非模型位点被过滤,最后输出一千一百九十九个关联结果。模型集合仍为九百,没有因额外检验而变大。
那个预设强信号位点不在模型筛选列表中,却出现在最终结果里,效应等位基因为 G,效应约一点四二九。这直接说明本次模型列表约束的是背景拟合,而不是所有被检验位点。是否进入检验应从最终输入与过滤记录另行核对。
bolt --bfile=toy \
--phenoFile=phenotypes.txt --phenoCol=y \
--covarFile=covariates.txt --qCovarCol=age \
--modelSnps=model.snps --lmmInfOnly \
--numThreads=2 --seed=185 --statsFile=base.tsv
我们接着把该信号位点放入排除列表。再次运行后,它从结果中消失,行数变为一千一百九十八,而模型位点仍是九百。由于被排除者原本就不在模型集合中,其余结果逐字段保持一致,这与本次设计预期相符。
这种一致性不能推广到排除任意位点。如果删除的是背景模型中的位点,拟合本身也可能改变,其他位点结果就未必保持不变。设计对照时应先明确修改影响哪一个集合,再确定哪些输出应该不变。
| 本次对照 | 背景模型位点 | 关联结果行数 | 预设信号位点 |
|---|---|---|---|
| 指定模型列表 | 900 | 1199 | 仍被检验 |
| 再显式排除该信号位点 | 900 | 1198 | 不在结果中 |
| 使用缺失协变量指示变量 | 900 | 1199 | 仍被检验 |
如果研究目标只是检查某些候选区域,也应先确定所用输入格式及对应的检验范围控制方式。不能拿一个看起来与“筛选位点”有关的参数,就默认它控制所有计算阶段。日志中模型位点数、通过质控位点数和输出行数应分别记录。
五、六千个样本是怎样变成五千九百九十七个的
我们安排三个不同样本分别触发三种缺失。最后一个样本的全部基因型缺失,倒数第二个缺少年龄,倒数第三个缺少表型。这三个编号互不相同,因此每一步减少一个人都可以独立追踪。
程序先按基因型质控排除全部缺失者,人数从六千变为五千九百九十九。随后排除没有表型的人,剩五千九百九十八。默认再排除缺少年龄的样本,最终实际参与分析的是五千九百九十七人。
只看最初读取样本文件的数量,无法得到实际分析人数。数据读取、基因型质控、表型可用和协变量可用是不同条件,应该在日志中逐层核对。正式报告中的样本量也应对应具体模型,不能把最初收集人数直接写成每个检验的有效人数。
启用缺失协变量指示变量后,缺少年龄的那个人继续参加分析,人数变为五千九百九十八。日志还显示协变量向量数从二变为三,包括原本的年龄、常数项以及新增的缺失指示项。这是模型设计的变化,不是把未知年龄恢复成真实值。
因此,保留更多样本不必然意味着分析更好。缺失协变量是否与分组、批次或性状有关,需要依据研究资料判断。本例只验证该选项怎样改变人数与设计矩阵,没有比较它与删除样本哪种策略在真实数据中更合适。
六、同样叫缺失率,要看对应的样本集合
我们还安排两个位点具有不同程度的基因型缺失。一个在最初六千人中缺失一千二百零一次,比例约零点二,被默认位点缺失率门槛过滤。另一个最初缺失三百零一次,得以保留。
全部基因型缺失的样本被删除后,后一个位点剩三百个缺失位置。再经过表型与年龄筛选,实际分析分母为五千九百九十七,所以结果里的缺失率为三百除以五千九百九十七,约零点〇五〇〇二五。它不必等于最初输入文件上计算的比例。
启用缺失协变量指示变量后,分母增加一人,同一位点输出缺失率约零点〇五〇〇一六七。数值变化很小,但具有明确原因。不能看到小数末位不同就归咎于随机性,也不能把不同时点的缺失率当作同一个量。
读者可以用这种复算方式检查自己的流程,先确定位点是否保留,再确定当前样本集合,最后计算分子与分母。若这些信息没有被记录,单独一列缺失率往往不足以解释数据在多个步骤间的变化。
本次实际硬调用结果表包含缺失比例字段。其他输入类型、版本或模型分支可能产生不同质量字段,应查看真实表头再配置下游解析。尤其不要仅根据网页中的一张示例表,就固定所有结果文件的列号。
七、极小概率读成零,可能是下游数值类型的问题
预设强信号位点的程序输出为 3.5E-403。这是一个正数。我们把同一字符串转成 Python 普通浮点数时,实际得到零,而使用十进制高精度表示仍能保留其数值,负十进制对数约为四百零二点四六。
from decimal import Decimal
raw_p = "3.5E-403"
float(raw_p) # 0.0
-Decimal(raw_p).log10() # 约 402.45593
因此,下游表格中的零不一定是上游统计程序输出了零。若直接对它取对数,可能得到无穷值,随后影响绘图范围、排序或筛选。应保留原始文本,再根据任务选择可表示该范围的数值形式,或采用有明确规则的对数形式。
这并不意味着应当把所有极小概率都展示到极高精度。报告可以采用科学计数法或说明阈值,但不能把显示截断后的零解释成事件绝不可能发生。图形若设置显示上限,也应注明,避免让不同强度的结果在图中看起来完全一样。
本次信号由人工强效应和特定噪声设置产生,这个极小概率不构成软件更优秀的证据。它在教程中的作用,是暴露一种结果导入时的数值表示问题,提醒读者把统计计算与后续文件处理分别验证。
八、怎样读模型日志而不过度解释
本次日志中的伪遗传力估计约零点一一九,另一个对照约零点一二一。它们是当前模型拟合过程中的输出,不能作为真实人群遗传力结论。若研究目的就是精确估计方差组分及不确定性,需要采用与该目的相符的分析设计和方法分支。
同样,结果只包含本次无穷小模型的关联概率列,没有完成非无穷小模型的交叉验证与比较。不能把一个模型分支成功运行,写成所有模型都已经比较过,也不能因为输出里没有另一列就自动认为程序漏算。
BOLT-LMM 的优势是把背景遗传关系与大量位点检验组织在同一流程中,模型集合与候选集合可以按明确规则分工。相应限制是输入图谱、样本集合、协变量设计和输出语义都需要仔细维护,程序成功退出并不能代替这些核查。
正式分析前,可以保留一份小规模核验数据,确认模型列表控制的范围、排除列表的效果、样本人数递减过程,以及极小概率是否在后续读取中保真。真正扩大分析规模时,再测量有代表性的任务,避免把教学输入的资源表现当作项目承诺。
当模型位点、样本筛选和结果读取规则已经核清,需要扩展到更多性状或更大队列时,可了解云生信生物信息学分析环境与算力服务,保留清楚的输入与版本记录后安排批量计算。
