software

PLINK 2 实跑指南——样本编号、效应等位基因与剂量数据,怎样避免关联结果读反

作者:发布于 2026-11-17约 11 分钟阅读
效应方向,先看等位基因。人工基因型与性状,核对样本、质控和剂量导入。编号匹配,不靠行号,表型倒序后,回归结果一致,同时核对家系编号、个体编号和匹配数量。换计数等位基因,效应 −1.76899 变为 +1.76899,被检验等位基因变了,显著性没有改变。剂量不等于硬调用,剂量频率有值,硬调用仍可能缺失,显式指定导入字段,导出时保留等位基因列名。

关联结果里的效应值从负数变成正数,显著性却完全不变,这一定是分析出错了吗?同一个变异在频率报告里有完整观察值,在缺失率报告里却有大量缺失,这两个文件又是否互相矛盾?如果只看结果表中的一个数字,这些情况很难解释。把样本编号、计数等位基因和基因型表示方式放回上下文,才能判断究竟发生了什么。

本文下载并运行官方 PLINK 2 beta 1.4 二进制程序,版本输出为二〇二六年十一月七日构建。我们使用六十个人工样本、五个常染色体变异,以及另一个六样本剂量文件,依次检验导入、缺失率过滤、线性回归和剂量读取。数据完全由脚本编写,不代表真实队列,也不能用于判断某个基因对疾病或性状的作用。

效应方向,先看等位基因。人工基因型与性状,核对样本、质控和剂量导入。编号匹配,不靠行号,表型倒序后,回归结果一致,同时核对家系编号、个体编号和匹配数量。换计数等位基因,效应 −1.76899 变为 +1.76899,被检验等位基因变了,显著性没有改变。剂量不等于硬调用,剂量频率有值,硬调用仍可能缺失,显式指定导入字段,导出时保留等位基因列名。
人工基因型与性状,核对样本、质控和剂量导入

一、先让输入的含义可以被审计

本次人工主数据包括一个预先加入性状效应的变异、一个单态位点、一个缺失较多的位点,以及两个其他变异。最后一个样本的五个位点全部缺失。性状由基因型剂量、人工年龄和少量随机扰动共同生成,固定随机种子,所以每次都能重建相同输入。

这样的数据适合检查程序语义,不适合评估真实关联分析的检验功效。真实队列还存在群体结构、亲缘关系、批次、测量误差和各种选择偏差,本例没有试图完整模拟这些因素。文中出现的极小显著性数值,是人为强信号与小噪声设置下的输出,不能把它宣传为软件更容易发现生物学关联。

安装包使用固定日期的官方二进制下载地址,复现运行器同时核验文件摘要。完整脚本和实际结果见实跑复现包。读者使用其他构建版本时,应重新运行这些小对照,尤其不要用软件名称相同来代替版本一致。

python3 run.py ./plink2_practice

程序读取主数据后,分别生成基因型、变异注释和样本注释文件。这三部分共同定义数据集,不能只保存体积最大的基因型文件,而丢掉看起来不起眼的样本和变异表。后续排查样本是否一致、等位基因是否变化时,往往正是后两类文件提供直接证据。

二、表型按样本编号匹配,不按文件行号对齐

我们把表型表写成正常顺序,又生成一份完全倒序的版本,同时让协变量表也倒序。两次回归结果逐字段一致。这是按样本标识匹配的正常表现,说明文件行号不承担样本身份的作用。

但这并不意味着样本命名可以随意处理。主数据导入时,我们显式采用固定家系编号零,表型与协变量文件也使用对应编号。程序可以把零家系编号省略成只有个体编号的样本表,但上游命名规则仍需要一致。如果另一次导入把个体编号同时写成家系编号,外部表里却继续使用零,匹配关系就不是原来那一种。

plink2 --vcf toy.vcf --const-fid 0 \
  --make-pgen --out zero_id

plink2 --pfile zero_id --freq --missing \
  --out rawqc

实际项目中,不要通过“把表型表按基因型文件排一下序”来掩盖编号错误。应该检查标识是否唯一、是否有缺失、两侧交集有多少,以及没有匹配的样本是谁。倒序对照只能验证顺序不影响匹配,不能证明原始编号与真实个体之间没有贴错标签。

如果存在多个中心、多个家系或重复采样,样本标识的设计还应保留这些业务含义。把所有家系编号都改成零只是本例人工数据的简化,并不是任何队列都应采用的处理方式。编号导入与转换的约定可查官方输入说明。

三、先看缺失报告,再决定过滤顺序

原始数据中,一名样本全部缺失,因此样本缺失率为一。另有十二名样本只在那个高缺失变异处缺失,五个位点中缺一个,比例为零点二。本次使用样本缺失率门槛零点二,实际删除全部缺失的最后一名样本,其余五十九名保留。

接着在这五十九名样本上执行位点缺失率与次要等位基因频率过滤。高缺失位点有十二个缺失调用,比例约为零点二〇三,超过零点一门槛而被移除。单态位点的次要等位基因频率为零,也被移除,最终剩下三个变异。

plink2 --pfile zero_id --mind 0.2 \
  --make-pgen --out sampleqc

plink2 --pfile sampleqc --geno 0.1 --maf 0.01 \
  --make-pgen --out variantqc
本次阶段 样本数 变异数 变化原因
原始导入 60 5 人工输入
样本缺失率过滤后 59 5 删除全部缺失样本
位点缺失率及频率过滤后 59 3 删除高缺失和单态位点
线性回归实际观察数 59 3 本例性状及年龄均完整

这些门槛用于说明处理顺序,不是人群研究的通用建议。先删样本再计算位点缺失,与先删位点再计算样本缺失,分母和剩余数据会改变。实际流程需要根据队列特点确定次序,并在每一步保存剩余样本和变异列表。

报告中的样本总数也不必然等于每个回归使用的观察数。真实数据里,性状、协变量或某个变异的基因型可能各自缺失,每个位点的实际观察数量应直接检查结果列。仅看到输入有一万人,就把所有关联结果都描述为“一万人分析”,可能高估某些位点的证据量。

四、效应值的正负,必须和被计数的等位基因一起读

主效应变异的参考等位基因是 A,替代等位基因是 G。在保留样本中,G 的频率约为零点七四六,它是更常见的那个等位基因。默认回归以非主要等位基因为计数对象,因此结果中的被检验等位基因是 A,而不是 G。

这时程序输出效应值约为负一点七六九。使用 omit-ref,让模型省略参考等位基因、对 G 的剂量报告效应后,数值变为正一点七六九。两次标准误一致,双侧显著性也一致。我们逐字段核对了相应结果,没有把方向变化当作新发现。

plink2 --pfile variantqc \
  --pheno pheno.tsv --pheno-name trait \
  --covar covar.tsv --covar-name age \
  --glm hide-covar omit-ref --out alt
本次编码 被计数等位基因 效应值 显著性
默认省略主要等位基因 A −1.76899 5.06355e−30
显式省略参考等位基因 G 1.76899 5.06355e−30

原因可以直接写成代数关系,在完整二倍体双等位基因调用中,A 的剂量等于二减去 G 的剂量。有截距的线性模型换用另一侧计数,效应符号会翻转,截距相应调整,拟合表示的关系并没有改变。本例的对照正是这一点的实际验证。

这不能推导出所有模型、所有多等位基因位点都只需要简单翻符号。多等位基因、交互项、不同缺失处理或不同样本集合,都可能让比较更加复杂。最基本的习惯是,同时阅读被检验等位基因、省略的等位基因、频率、效应值、观察数和错误码。默认与显式编码方式见官方关联分析说明。

五、协变量不是越多越好,重复信息会让模型无法求解

本次年龄协变量单独加入时,回归正常完成。我们又添加一列数值恰好等于年龄两倍的协变量,程序退出码为七,明确报告协变量相关矩阵无法求逆,错误类型为无限方差膨胀因子。

这不是需要增加迭代次数的数值小问题,而是两列之间存在严格的线性依赖。模型无法从数据中分别估计它们的独立作用。正确处理是核对设计矩阵并删除冗余表示,而不是不断放宽检查条件,让程序勉强继续。

在真实数据里,重复列可能来自编码过程,例如同时包含所有分类变量指示列与截距,或者把一个汇总分数和可精确重建它的组成列一起加入。还要检查过滤后是否有协变量变成常数,某些分类是否只剩一个样本。完整队列中正常的设计矩阵,在一个小子集中可能不再可用。

本次只检验了一个人工年龄变量,并没有完成真实队列所需的群体结构与亲缘处理。不能因为加入一个协变量后得到结果,就认定混杂因素都已消除。协变量应来自研究设计和数据生成过程,不能根据哪种设置能得到更小显著性来临时挑选。

六、剂量导入是显式选择,不能默认软件已经读到了它

第二个输入只有一个变异和六个样本,硬基因型字段全部缺失,但剂量字段依次存放零点二、零点八、一点二、一点八、零和二。默认导入时,剂量没有被读取,频率报告观察数为零,等位基因频率无法计算。

在导入命令中显式指定剂量字段后,程序得到替代等位基因频率零点五,观察等位基因数为十二。这与六个剂量相加等于六、除以二倍体总等位基因数十二一致。导入选项的差别直接决定了信息是否进入后续数据集。

plink2 --vcf dosage.vcf dosage=DS --const-fid 0 \
  --make-pgen --out dose_ds

plink2 --pfile dose_ds --freq --missing --export A \
  --out dose_ds_stats

这时缺失率报告仍显示六个硬调用中有四个缺失。它与频率报告并不矛盾,概率或剂量信息可以存在,而相应硬调用未必满足转换门槛。把剂量存在与硬基因型存在当成同一个布尔状态,会导致错误的质量判断。

实际使用推断基因型时,要明确过滤所依据的是剂量信息、硬调用还是推断质量指标。转换成硬调用会损失连续信息,直接使用剂量则需要下游方法支持。两者没有脱离任务的统一优劣,关键是整个流程采用一致的表示,并把转换规则记录下来。

七、导出数值时,也要检查列名中的等位基因

本次数值导出文件的列名带有 A,表示导出的是 A 的剂量。因此六个数值依次为一点八、一点二、零点八、零点二、二和零,正好是二减去输入的 G 剂量。若只复制最后一列,不保留列名,很容易把它误解为原先输入的替代等位基因剂量。

这与前面的效应符号问题是同一类错误,数值的含义由计数对象决定。用于多基因评分、外部模型或跨队列汇总时,应把变异标识与等位基因一起对齐,不能只按变异编号拼接两张表。参考版本、等位基因顺序和编码方向都可能影响解释。

本例只有简单双等位基因常染色体位点,没有测试链方向不明的回文变异、多等位基因拆分和性染色体倍性。遇到这些情形,需要更完整的等位基因一致性检查。尤其不能仅靠频率接近就确定所有位点已经正确对齐。

八、如何把小实跑变成正式分析前的检查

开始大规模关联前,可以先用少量已知样本与位点核验四件事,样本编号能否匹配,过滤后数量是否可解释,被检验等位基因是否符合预期,剂量是否真正进入分析。每一项都应有对应的输出文件或日志证据,而不是只依赖流程最终没有报错。

随后再根据研究设计安排群体结构、亲缘关系、批次与表型质量控制。稀有变异、病例对照严重不平衡或相关个体较多的研究,模型选择不能只由输入文件能否读入决定。本次线性回归例子只覆盖数量性状与简单人工协变量,不能替代其他设计的适用性评估。

PLINK 2 的优势是数据格式紧凑、常用统计与处理步骤集中,适合把导入、质控和关联分析串起来。局限在于选项丰富且仍持续更新,默认值和输出字段必须跟着实际构建版本核对。此次实跑最值得保留的经验是,把每个数字对应的样本集合、等位基因和数据表示写清楚,远比单独追求更小的显著性值重要。

当样本匹配、质控规则和模型设置已核清,需要扩展到更多变异与性状时,可了解云生信生物信息学分析环境与算力服务,保留完整版本与参数记录后开展批量分析。

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 ↗