云生信学生物信息学

LDSC批量分析流程:汇总统计整理、配对任务和结果核验

作者:发布于 2026-11-21更新于 2026-11-15约 9 分钟阅读
LDSC批量分析流程:汇总统计整理、配对任务和结果核验

LDSC批量分析流程:汇总统计整理、配对任务和结果核验:核对效应方向与样本量;分别整理每个表型;按清单执行独立配对;验收估计后试并发
本文操作与检查路径示意。

多个GWAS做遗传相关性,先确定汇总统计是否适用于同一套LDSC分析。它估计的是共同变异效应的遗传相关,不是表型相关,也不证明一个性状导致另一个性状。本文按bulik/ldsc官方经典接口组织任务,前提是已验证的隔离环境;保留代码提交和解释器版本,不假设旧版环境能直接迁移到当前Python。

一次完成所有表型的输入核对

对象 必须记录 不通过先处理
汇总统计 SNP、A1、A2、N、P、带方向Z A1必须对应Z的效应等位基因
样本量 每位点N及计算口径 缺失或变动N不能随意填常数
LD参考与权重 祖源、组装、来源和版本 欧洲参考不直接套用于其他祖源
配对计划 比较名、两个表型及检验范围 避免重复配对和事后只保留显著结果

示例假设已整理出带表头的A.tsv与B.tsv,Z为对应A1的统计量,N为该位点真实分析样本量。比值比需要按正确的无效值和方向处理,不把OR当作Z。SNP标识、等位基因和参考协调需要保留转换记录;只留下显著位点不能代表全GWAS汇总统计。

set -euo pipefail
: "${LDSC_PYTHON:?填写已验证的解释器绝对路径}"
: "${LDSC_DIR:?填写官方ldsc代码目录绝对路径}"
mkdir ldsc-munge
for trait in A B; do
  "$LDSC_PYTHON" "$LDSC_DIR/munge_sumstats.py" \
    --sumstats "$trait.tsv" --snp SNP --a1 A1 --a2 A2 \
    --p P --N-col N --signed-sumstats Z,0 \
    --merge-alleles /ref/ldsc/w_hm3.snplist \
    --out "ldsc-munge/$trait" > "ldsc-munge/$trait.console.log" 2>&1
  test -s "ldsc-munge/$trait.sumstats.gz"
done

先查看每份munge日志中的读入量、各项过滤和保留位点,解释异常大量丢弃。合并等位基因清单用于协调,不是证明所有数据已同源;准备LD文件时还应核对祖源及SNP集合。下面pairs.tsv无表头,三列TAB:安全比较ID、A.sumstats.gz绝对路径、B.sumstats.gz绝对路径,使用LF换行。

按表型对顺序执行并保留状态

先将下段保存为check-rg.py并放在运行目录,需要Python3。LDSC可能捕获某一配对的内部异常后仍以零状态结束,因此验收还要拒绝错误记录及缺失、非有限的估计。为便于解析表格,本例清单路径不含空白或逗号。

from pathlib import Path
import sys,math
text=Path(sys.argv[1]).read_text()
if "ERROR computing rg" in text: raise ValueError("LDSC caught pair failure")
mark="Summary of Genetic Correlation Results"
if mark not in text: raise ValueError("summary missing")
lines=[x.split() for x in text.rsplit(mark,1)[1].splitlines() if x.strip()]
if len(lines)<2: raise ValueError("summary row missing")
header,row=lines[:2]
if len(row)!=len(header): raise ValueError("summary columns differ")
values={k:float(row[header.index(k)]) for k in ["rg","se","p"]}
if not all(math.isfinite(x) for x in values.values()): raise ValueError("non-finite estimate")
if values["se"]<=0 or not 0<=values["p"]<=1: raise ValueError("invalid SE or p")
print(values)
set -euo pipefail
: "${LDSC_PYTHON:?填写解释器绝对路径}"
: "${LDSC_DIR:?填写代码目录绝对路径}"
ld=/ref/ldsc/appropriate_w_ld_chr/
mkdir ldsc-pairs
declare -A seen=()
n=0
while IFS=$'\t' read -r id a b extra || [[ -n "$id$a$b$extra" ]]; do
  [[ "$id" =~ ^[A-Za-z0-9][A-Za-z0-9_.-]*$ ]]
  [[ -z "$extra" && "$a" = /* && "$b" = /* && "$a" != "$b" ]]
  [[ ! "$a$b" =~ [[:space:],] ]]
  [[ -z "${seen[$id]+yes}" ]]; seen[$id]=1
  test -s "$a"; test -s "$b"
  d="ldsc-pairs/$id";mkdir "$d"
  /usr/bin/time -v -o "$d/time.txt" \
    "$LDSC_PYTHON" "$LDSC_DIR/ldsc.py" --rg "$a,$b" \
    --ref-ld-chr "$ld" --w-ld-chr "$ld" --out "$d/rg" \
    > "$d/console.log" 2>&1
  test -s "$d/rg.log"
  python3 check-rg.py "$d/rg.log" > "$d/estimate-check.txt"
  printf 'COMPUTE_OK\n' > "$d/status.txt"
  n=$((n+1))
done < pairs.tsv
test "$n" -gt 0

自动完成标记不等于估计可信

官方教程说明祖源匹配的LD参考是前提。检查每对交集SNP数、两性状遗传力与标准误、rg及其标准误、截距和日志警告。低遗传力或异常标准误时应先处理估计问题;出现超出常见范围的点估计也不能直接截断成漂亮的数字,更不能把缺失值填零。

配对总数增长会增加任务量:例如十个表型全配对有四十五项,这只是组合数演算,不是运行基准。跨比较的多重检验范围应预先说明,不能把每个日志的p值直接当成整批已经校正。汇总时保留所有计划项、失败原因及实际样本口径。

最后再决定计算资源

先取一个有效表型对测完整耗时与峰值RAM,再逐步安排独立配对并发。多进程可能重复读取汇总统计和LD文件,应观察总RSS、共享盘吞吐与整批完成时间。若方法或参考不匹配,增加CPU不会使结果有效;输入固定且配对数量造成持续吞吐缺口后,再据试跑安排CPU任务数。

如果增加一个表型,先补该表型的整理记录,再登记新增配对,不按目录现有文件猜任务是否齐全。失败项保留日志与输入校验值,在新尝试目录复跑;改变样本量口径或参考后,已有成功结果也需要重新评估可比性。

需要额外算力时

适用前提:汇总数据满足方法要求,表型配对数量形成持续计算需求。如需额外资源,可评估按任务测算的CPU服务器租赁。咨询时说明软件版本、任务规模和使用期限,配置与支持范围另行确认。

咨询本任务的服务器配置

咨询本任务的服务器配置

留下手机号,我们会结合本文任务与您沟通服务器配置和报价。

也可联系云生信企业微信客服,说明本文任务。

参考与版本核对

按文中适用环境运行,所用版本与参数以实际安装环境和对应官方文档为准。

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 ↗