两个研究都报告了同一个位点,一个效应是正零点二,另一个是负零点三,是否说明研究结论相反?还不能这样判断。如果两个效应分别对应相反的等位基因,把方向统一以后,它们可能支持同一个方向。荟萃分析首先需要确认“这些数字描述的是不是同一件事”,之后才是加权合并。
本文实际编译并运行 METAL,用两份可以手算的汇总结果检查等位基因对齐、两种合并方案、异质性、回文位点和数值精度。实跑还遇到一个值得警惕的情况——程序返回成功状态,但异质性结果列没有生成。读完后,读者应能据此检查自己的输入与输出,而不只会复制一份配置文件。

一、安装与教学输入的范围
本次使用官方二〇二〇年五月五日发布版本对应的固定提交,二〇二六年十一月十七日在 Linux 环境完成编译。编译器为 GCC 11.4,使用 CMake 构建,官方自带的十二项测试全部通过。编译过程出现旧代码相关警告,但没有修改源代码,构建和运行记录均保留。
安装方式可参考官方仓库,精度与坐标追踪功能的发布说明见官方版本记录。本次固定版本便于复现,不代表它涵盖之后所有开发分支的变化。
下载本组脚本与实测结果后,下面的命令可以调用已经安装的程序。若不指定程序路径,练习脚本会寻找现有命令,未找到时下载固定提交并校验摘要后编译,需要具备编译器、CMake 和相应开发依赖。附件包含原创输入生成程序与核验结果,不打包软件源代码或二进制程序。
python3 188-metal/run.py output-metal --metal /path/to/metal
两份汇总表均为人工构造,合计覆盖九个教学位点。样本量数字仅用于展示权重计算,不代表真正采集了这些人。这里没有真实队列,没有评估统计功效,也没有验证疾病关联或样本重叠校正的效果。少量位点适合讲清运算,不能用于估计全基因组统计量的膨胀程度。
二、先明确效应对应哪个等位基因
基准位点在第一份表里以 A 为效应等位基因,效应为零点二,标准误为零点一,A 的频率为零点二。第二份表以 G 为效应等位基因,效应为负零点三,标准误为零点二,G 的频率为零点八。对这个双等位位点,把第二份结果换到 A 的方向,效应应变为正零点三,频率应变为零点二。
| 研究 | 效应等位基因 | 原效应 | 标准误 | 样本量 |
|---|---|---|---|---|
| 第一份汇总表 | A | 0.2 | 0.1 | 1000 |
| 第二份汇总表 | G | −0.3 | 0.2 | 4000 |
实跑输出统一到 A,方向列为两个加号,合并频率为零点二。另一个对照把第二份等位基因写成互补链上的 T 与 C,同样得到预期的合并结果。这证明本次构造中的交换及互补关系被处理,但不能据此推断任何复杂变异都会自动正确归一化。
实际合并前,还需统一参考基因组版本、坐标、变异表示和效应定义。特别是插入缺失和多等位位点,仅仅具有相同名称并不足以证明完全对应。应在输入准备阶段确定一致的变异键,并保留原名称到最终表示的转换记录。
结果中的等位基因也不能自动称为参考或替代等位基因。它们首先是本次输出定义下的效应方向。后续画森林图、计算多基因评分或进行因果分析时,应把效应、标准误、等位基因和频率作为一组传递,避免只复制概率列或单独给效应换符号。
三、样本量更大的研究,为什么未必获得更大权重?
本例同时运行标准误加权和样本量加权两种方案。标准误方案使用效应估计的不确定性决定权重,基准位点的权重分别是一百和二十五。因此,虽然第二份表的样本量更大,第一份结果仍对合并效应贡献更多,因为它提供的标准误更小。
按照逆方差加权手算,合并效应为零点二二,标准误约零点零八九四四,软件输出完全符合预期。样本量加权则把带方向的证据强度按样本量平方根组合,本例得到约二点二三六的合并统计量和约零点零二五三五的概率。
逆方差权重
w1 = 1 / 0.1² = 100
w2 = 1 / 0.2² = 25
合并效应 = (100 × 0.2 + 25 × 0.3) / 125 = 0.22
合并标准误 = sqrt(1 / 125) ≈ 0.0894427
样本量加权的本例
Z = [sqrt(1000) × 2 + sqrt(4000) × 1.5] / sqrt(5000)
≈ 2.236068
两种结果不同不意味着软件不稳定,因为两种方案使用的信息及权重规则不同。选择标准误方案之前,必须确认效应和标准误在相同单位、相同表型变换与可比较模型下解释。如果一份结果使用原始测量值,另一份使用标准化或秩变换值,不能未经判断就合并效应大小。
样本量方案也不能随意把总入组人数填到每个位点。缺失、质量过滤以及病例对照不平衡都可能影响有效信息量,应使用与单研究统计结果相符的样本量定义。两种方案的基本要求可参照官方使用文档,具体选择则需要结合研究设计。
四、配置中的列名映射,应当写得可以审计
下面是本次基准配置的主要内容。列名映射告诉软件哪个字段是位点、效应等位基因、效应、标准误和频率。这里的列顺序不重要,但含义必须正确。坐标追踪打开后,还需要把染色体和位置列明确对应起来。
SCHEME STDERR
MARKER SNP
ALLELE A1 A2
EFFECT BETA
STDERR SE
PVALUE P
WEIGHT N
FREQ EAF
AVERAGEFREQ ON
MINMAXFREQ ON
TRACKPOSITIONS ON
CHROMOSOMELABEL CHR
POSITIONLABEL BP
EFFECT_PRINT_PRECISION 12
STDERR_PRINT_PRECISION 12
GENOMICCONTROL OFF
PROCESS study1.txt
PROCESS study2.txt
OUTFILE result_ .tbl
ANALYZE HETEROGENEITY
QUIT
正式项目里,各队列的列名可能不同,应分别写出每个输入文件的映射,不能让后一份表无意继承前一份表的错误设置。配置文件与原始文件校验值应一起保存,这样才能回答某个位点究竟合并了哪些研究、采用什么方向及过滤规则。
本次没有开启基因组控制,因为九个人工位点不足以估计一个合理的全基因组膨胀参数。真实项目是否校正、怎样避免重复校正,需要根据单队列已经执行的流程判断。不能因为某个参数出现在示例中,就机械地对所有输入再做一遍相同调整。
五、方向列中的问号,需要回查原因
不一致等位基因、无效标准误和缺少某研究结果,可能产生相似的方向列。本例中,一个位点在第二份表写成不兼容的等位基因,另一位点的第二份标准误为零,还有一个位点只存在于第一份表。标准误方案下,这些结果都只使用第一份有效贡献,方向显示一个加号和一个问号。
问号不能统一解释为效应等于零,更不能解释为该研究证明没有关联。它只提示没有对应的有效贡献,具体原因要回到输入文件和日志查明。合并后仍然存在一行结果,并不表示两份队列都成功参与了这一行。
我们还在第二份表末尾重复加入一个已出现的位点,并故意赋予极端效应。程序提示重复记录,只使用首次出现的记录,最后合并结果与基准完全一致。因此,重复行不会在这个对照中自动累加成更多证据,但保留哪一行仍由输入顺序决定,应该在准备阶段主动去重并解释冲突。
另一个容易忽略的区别是,样本量方案不依赖标准误列。本例标准误为零的记录在该方案下仍可依据提供的概率与方向参与计算。软件检查通过的含义取决于采用的分析方案,不能把“没有出现标准误错误”当作所有字段都已经通过科学质控。
六、合并效应为零,也可能存在很强的研究间差异
异质性对照中,两个研究的效应分别为正零点五与负零点五,标准误都为零点一。逆方差权重相同,合并效应恰好为零,关联概率为一。但异质性统计量为五十,自由度为一,异质性概率约为一点五四乘十的负十二次方,不一致比例指标为百分之九十八。
这个例子说明,平均效应接近零与研究间不存在差异是两件不同的事。一个研究显示正向、另一个研究显示反向时,简单平均可以互相抵消。若只报告合并概率,就会丢失最需要解释的信息。
另一方面,异质性很强也不能立即归因为生物学差异。应该先检查等位基因、单位、表型定义、分析人群及输入错误,再讨论真实效应差异。两份表是否包含重叠样本也需要事先查清,独立研究的权重公式不能自动消除重复受试者带来的相关性。
本次使用的异质性选项是在合并分析中增加差异检验,并不把结果自动变成随机效应荟萃分析。若研究问题需要随机效应模型、亚组分析或元回归,应选择相应方法并说明假设。不能仅因输出出现异质性列,就把整套分析改称随机效应模型。
七、一次正常退出但分析不完整的实跑
我们另外把一个位点在第二份表中的位置从七百改成七百零一,并保留坐标追踪。程序先提示位置不一致,在异质性分析的第二次读取阶段又报告输入发生变化和异质性分析失败。进程最终返回零,合并结果文件仍然生成,但整个输出缺少异质性字段。
脚本在运行前后计算了全部研究输入的文件摘要,确认文件内容没有变化。因此,本次不能把这条提示直接归因于文件被其他进程修改。它是固定发布版本在这个坐标冲突对照中的实际行为,不能无条件推广到其他版本或其他报错。
作为定位对照,关闭坐标追踪后,原先两个不同位置被按相同位点名合并,异质性步骤能够完成。这帮助确认了触发条件,但不构成生产流程的修复建议。合理处理是先查清参考基因组与坐标冲突,修正或剔除不一致记录,再重新执行完整分析。
这个经验可以变成具体验收动作。要求异质性分析时,除了检查退出码,还应确认结果中存在预期字段,逐行核对参与研究数与自由度,并搜索失败提示。成功生成一张表,只能说明某个输出步骤完成,不能代表配置中要求的每项分析都已执行。
八、回文位点与比值比,分别有自己的方向陷阱
本例设置了一个 A 与 T 组成的回文位点,两份频率分别接近二分之一。程序保留了这个位点并给出合并结果,表明它不会在这个配置中自动把所有方向难辨的位点剔除。频率看起来接近,也不能证明链方向已经正确。
实际分析应事先确定回文位点处理规则,结合可靠频率信息和输入来源决定保留、核查或排除。频率接近二分之一时,仅靠频率往往难以分辨方向。本次使用明确的位点保留列表另跑一遍,结果从九行变成八行,说明排除规则需要由流程明确执行。
比值比则是另一种问题。我们给两个研究分别设置零点八和一点二的比值比,并给出相同概率及样本量。如果直接把比值比作为带符号效应,两个正数都被当成正向,合并概率约为零点零零零二七。改成取对数后,一个方向为负、一个为正,本例合并统计量为零。
这个方向转换可用 EFFECT log(OR) 表达,详见官方常见问题。标准误方案还需要核对标准误究竟在哪个尺度上,不能将比值比本身的数值、对数效应与不同尺度的标准误混用。
九、输出精度也是分析的一部分
最后一个对照把效应设置得很小。默认四位小数输出时,合并效应和标准误都显示为零,但概率仍约零点零一三九。提高到十二位小数后,效应恢复为零点零零零零零零二二,标准误也保留了可用信息。直接拿默认显示值继续计算,会把正常结果变成除零或缺失问题。
此外,LOGPVALUE ON 输出的是以十为底的概率对数,本例显示负一点八六。画图常用的是负对数,两者符号相反,不能看到列名含有对数就直接用于纵轴。该选项的定义可在官方说明核对。
METAL 的优势是可以在不汇集个体数据的情况下合并多队列结果,配置和输出都便于检查。它的局限也在这里——输入语义必须由研究者保证。等位基因一致、单位可比、研究来源清楚、日志与结果字段完整,这些条件落实之后,合并出来的更小概率才有可解释的基础。
当汇总统计的方向、单位与过滤规则已经统一,需要批量处理多性状或多队列结果时,可了解云生信生物信息学分析环境与算力服务,把可追溯的合并流程扩展到实际任务。
