software

FINEMAP 结果解读——PIP 相加到 0.95,为什么还不是一个合格的可信集合?

作者:发布于 2026-11-17约 11 分钟阅读
PIP 相加 0.95,仍可能误判。五个原创配置,讲清模型概率、条件概率与集合覆盖。位点与模型,A 的 PIP 是 0.55,最佳配置只有 0.35,一个位点可以出现在多个配置中。集合覆盖,A 与 C 的 PIP 和为 0.95,至少一个出现的概率实际为 0.75。截取与归一化,前三行只覆盖 0.80 后验质量,重新归一化,会改变所回答的问题。

精细定位报告里经常同时出现位点概率、模型概率和可信集合。它们看起来都是零到一之间的数字,却回答不同问题。把这些数字混用,可能把一个并不稳定的候选名单写成明确结论,甚至把两个信号重复计算成一个高置信度集合。

本文采用官方文档解读和原创读表练习,没有安装或运行 FINEMAP。下面所有配置及其概率均为人工编写,核验程序只使用 Python 标准库。读者能够手算结果,也能运行附件检查每一步,但这些数字不是 FINEMAP 输出,更不是真实疾病的精细定位结果。

PIP 相加 0.95,仍可能误判。五个原创配置,讲清模型概率、条件概率与集合覆盖。位点与模型,A 的 PIP 是 0.55,最佳配置只有 0.35,一个位点可以出现在多个配置中。集合覆盖,A 与 C 的 PIP 和为 0.95,至少一个出现的概率实际为 0.75。截取与归一化,前三行只覆盖 0.80 后验质量,重新归一化,会改变所回答的问题。
五个原创配置,讲清模型概率、条件概率与集合覆盖

一、先把一行结果所代表的事件说清楚

精细定位的一个候选模型,可以写成一组被假定具有作用的位点。例如只包含 A,与同时包含 A 和 C,是两个不同配置。模型概率回答的是整个配置获得多少支持,而位点的后验纳入概率,通常简写为 PIP,回答的是该位点出现在所有候选配置中的总支持。

这一区别会直接影响报告写法。如果某个位点同时存在于多个较有支持的模型中,它的纳入概率可能高于任何单个模型的概率。反过来,概率最大的模型也不必包含每一个边际概率靠前的位点。仅按一列从大到小排序,会丢失位点之间互相替代或共同出现的信息。

FINEMAP 的文档分别描述位点级、配置级和可信集合输出。读取结果时应先确定当前文件属于哪一类,再解释其中的概率列。官方说明提供了这些文件的定义,而使用特定项目发布结果时,还应同时核对该项目增加的字段。例如 FinnGen 的结果格式说明区分了全局配置概率和给定信号数量后的条件概率。

二、用五个配置,手算位点概率

我们编写一个只有三个候选位点的完整教学分布。允许的配置共五个,概率之和恰好为一。这里主动排除了空模型以及其他组合,只为让计算清楚可见,不能把这个人为限制当成实际区域的合理先验。

教学配置 位点数 人工指定的概率
仅 A 1 0.35
仅 B 1 0.25
A 与 C 2 0.20
B 与 C 2 0.10
仅 C 1 0.10

A 出现在第一和第三行,所以它的纳入概率是零点三五加零点二,得到零点五五。B 出现在第二和第四行,得到零点三五。C 出现在第三、第四和第五行,得到零点四。概率最高的完整模型只有零点三五,不能把 A 的零点五五解释成“只包含 A 的模型有这么大概率”。

三个 PIP 相加得到一点三,大于一,但这并不是计算错误。因为一个模型可以同时包含两个位点,它的概率会分别计入两个位点。对所有位点求和,得到的是该分布下被纳入位点数量的期望,而不是某个互斥事件的概率。

我们可以换一种方法核对。只有一个位点的模型总概率为零点七,两个位点的模型总概率为零点三。数量期望就是一乘零点七,加二乘零点三,仍为一点三。两种计算方法一致,可以作为审阅程序的一项恒等关系检查。

这类检查也能发现数据表的拼接错误。如果同一个位点因为名称转换被拆成两行,或者同一配置被重复导入,汇总就可能失去一致性。计算前先确定区域、性状和变异的唯一键,比事后把概率强行归一化更有效。

三、累计 PIP 到九成五,为什么可能错得很明显?

按位点概率排序,A 为零点五五,C 为零点四,两者相加刚好为零点九五。于是有人会把 A 和 C 标成“百分之九十五可信集合”。但在这个教学分布下,集合中至少包含一个作用位点的概率只有零点七五。

原因是 A 和 C 可以同时出现。第三行的零点二,在直接相加时被计算了两遍。正确计算“至少一个出现”,要把包含 A 或 C 的配置各数一次。只有第二行的“仅 B”完全不在集合中,因此所求概率为一减零点二五,也就是零点七五。

这个例子揭示了把边际概率当作互斥概率的错误。在只允许一个作用位点的特殊模型里,位点事件可能互斥,累计方法有相应含义。一旦允许多位点配置,就不能不加区分地沿用同一个排序累加规则。

更进一步,一个集合覆盖“至少一个作用位点”,与分别定位区域中的每个信号,也不是同一个任务。即使某个集合覆盖一个作用位点的概率很高,也可能遗漏另一个信号。实际阅读 FINEMAP 的可信集合时,应保留其对应的信号数条件、集合构建定义及其他信号的处理方式,不能把所有候选位点混成一个大集合重新命名。

本文没有尝试重新实现 FINEMAP 的可信集合算法。我们计算的是一个明确定义的事件概率,用来说明错误累加为什么不成立。真实输出仍应按照相应版本的集合定义读取,并查看集合内候选者的相关性与模型条件。

四、同样是概率,为什么一列是 0.20,另一列是 0.67?

教学分布中,包含两个位点的配置只有 A 与 C、B 与 C,总概率为零点三。如果先假定“该区域恰好有两个作用位点”,那么 A 与 C 的条件概率就是零点二除以零点三,约为零点六七。

这不表示原始全局支持从零点二提高到零点六七。改变的是问题的条件。前者是在全部允许配置中比较,后者已经排除了所有单个位点模型,仅在两个位点模型内部比较。读配置文件中的条件归一化概率时,必须把这个条件一起写出来。

同理,给定只有一个位点时,“仅 A”的条件概率为零点三五除以零点七,等于零点五。若一份图展示全局概率,另一份图展示给定数量的条件概率,它们数值不同不一定互相矛盾。更不能挑选较大的那一列作为所谓更强证据。

在审稿或内部复核时,可以要求每张概率图都写明事件与条件。究竟是某个位点被纳入、整个配置正确、给定信号数量后的配置支持,还是集合覆盖某个信号。这个简短说明往往比再增加几位小数更能减少误解。

五、只拿到前几行模型,不能假装已经拿到全部后验

现在只保留前三个教学配置,它们的概率总和为零点八。直接从这三行计算得到的部分纳入概率分别是 A 的零点五五、B 的零点二五和 C 的零点二。与完整分布相比,B 和 C 的贡献显然缺了一部分。

如果为了让表格看起来完整,把这三行重新归一化到一,得到的位点概率就变成零点六八七五、零点三一二五和零点二五。它们表示在“模型属于保留的前三行”这个条件下的纳入概率,不能冒充完整分布中的结果。

处理方式 A B C
完整教学分布 0.5500 0.3500 0.4000
前三行直接累计 0.5500 0.2500 0.2000
前三行重新归一化 0.6875 0.3125 0.2500

在已知保留行使用完整分布的原始概率、遗漏总质量为零点二的前提下,还可以给出简单边界。某个位点的真实 PIP 至少等于已保留配置中的贡献,最多再增加全部遗漏质量,并且不能超过一。例如 C 的范围是零点二到零点四。

这个边界依赖明确前提。如果文件中的概率本来已经在截取结果内部归一化,就不能从其总和为一推断没有遗漏质量。实际软件可能限制输出配置数量,项目发布者还可能再次截取或筛选。应先查文件生成方式,再决定能否自行重建边际概率,优先保留软件直接提供的位点级结果及其说明。

输出文件的压缩、截取与展示限制,也应和搜索本身的范围区分开。没有出现在展示表中,不一定意味着配置从未参与计算。反之,搜索访问到很多模型,也不自动证明已经完整覆盖所有重要配置。两类信息应分别在日志和输出说明中核对。

六、先验改变,会怎样影响排序?

附件还提供一个独立的贝叶斯计算练习。我们给五个配置设置固定的相对似然值,分别为七、五、四、二、二。在五个配置先验相等时,归一化后的后验恰好就是前面的教学分布。

随后只提高两个双位点配置的先验权重,保持所有相对似然不变。C 的纳入概率从零点四增加到零点六二五,A 变为约零点五九四,最高概率位点发生变化。这次没有增加任何观测数据,改变的是进入模型之前的相对权重。

因此,功能注释先验或作用位点数量先验,并不是一个纯粹的显示选项。它们可以改变候选者的支持程度。使用这些信息时,应说明先验来自哪里、与当前研究证据是否独立,以及在合理替代设定下结论是否稳定。

这个练习使用的是我们自己编写的配置权重,不对应 FINEMAP 某个参数的内部实现,也不能直接据此设置软件中的先验文件。它说明的是通用的计算关系。实际参数含义、数量上限及空模型处理方式,应以所用版本文档为准,并将这些选择与结果一并保存。

七、概率解释正确之前,LD 与汇总统计必须一致

统计模型能否区分候选位点,还依赖位点间相关结构。仅有显著关联并不意味着能够精确定位,多个高度相关的位点可能提供几乎相同的证据。若参考 LD 与汇总统计不匹配,某些候选者看似得到明确支持,也可能只是输入不一致的产物。

附件给出一个三个位点的有符号相关矩阵。A 与 B 的相关系数为负零点八,B 与 C 为负零点二。若把 B 的编码方向反过来,B 的统计量要换符号,矩阵中 B 对应的行列也要一起换符号。对角线保持一,A 与 C 的相关关系保持不变。

这个练习可以在纸上完成,不需要运行精细定位程序。它提醒读者,矩阵中的负号和顺序都带有含义。把相关系数平方、只排序汇总表、或只给效应换符号,都会改变模型看到的数据关系。矩阵尺寸正确并不足以证明内容对应。

真实分析还应核对基因组版本、变异标准化、剂量编码、样本构成和参考群体。对汇总统计中的每个保留位点,应能够找到 LD 矩阵中的同一个对象。删去一个位点后,也必须同步删除对应矩阵行列,避免后面的位点整体错位。

八、怎样形成一份可复核的精细定位结论?

FINEMAP 的方法优势在于利用汇总统计与 LD 搜索多位点配置,并保留不同候选解释的支持程度。其搜索思想可查阅原始方法论文。这使结果比单纯列出最显著位点更丰富,同时也要求读者理解搜索范围、先验和输入条件。

提交结果时,可以先说明分析区域及纳入位点的范围,再分别报告数量分布、位点级 PIP、主要配置和可信集合。对于配置概率接近、集合较大或对合理参数敏感的区域,应直接保留不确定性,不必为了让结论显得整齐而强行指定唯一候选者。

统计定位与基因功能解释也需要分开。一个高概率位点附近最近的基因,不自动成为作用基因。后续可以结合表达调控、染色质联系、共定位及实验验证,但这些新增证据应该说明各自支持哪一步推断。不能把“靠近某基因”与“已经确认致病机制”压缩成同一句话。

下载并运行本组原创练习可以复核本文全部算术。脚本使用精确分数计算再输出小数,检查 PIP 总和与数量期望是否一致,比较截取前后结果,并演示编码变换。整个过程不调用 FINEMAP,不生成其原生格式分析结果。

python3 191-finemap/run.py output-finemap-review

读完后最实用的检查,是面对每一个概率都追问它代表什么事件、基于什么条件、覆盖了哪些候选模型。把这些问题回答清楚,才知道结果支持一个明确候选者、一组无法区分的替代者,还是仍然存在多种解释。精细定位的价值也包括准确表达尚未解决的问题。

需要为后续精细定位工作保留软件环境、LD 数据与审阅记录时,可通过云生信生物信息学分析环境服务搭建可复用的分析流程。

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 ↗