software

SAIGE 实跑指南——病例对照不平衡时,怎样读懂 SPA、等位基因计数和缺失填补

作者:发布于 2026-11-17约 11 分钟阅读
病例对照,先把分母算清。100 例人工病例与 900 例对照,核对校正和缺失处理。携带人数相同,病例与对照各 5 名,比例仍不同,5/100 与 5/900,不能只比较绝对计数。缺失被填补后,结果可保留全部 1000 名样本,原始调用数、检验人数与剂量计数要分开。默认值核验,帮助文字与实际参数有差异,显式指定填补方式,再检查日志和输出。

病例组与对照组各有五名携带者,是否说明两组没有差别?一个位点有百分之八的基因型缺失,结果表却仍显示全部样本参加分析,是否说明缺失被忽略了?这两个问题看似简单,却分别涉及分母和填补规则,都是关联结果解读中容易出错的地方。

本文安装并实际运行 SAIGE 1.3.1,构造一千个人工样本,其中一百例病例、九百例对照,完成空模型拟合与单变异检验。我们保留实际命令、输出和对照,不把人工显著信号解释成疾病关联,也不通过一个小数据集评价假阳性控制或检验功效。

病例对照,先把分母算清。100 例人工病例与 900 例对照,核对校正和缺失处理。携带人数相同,病例与对照各 5 名,比例仍不同,5/100 与 5/900,不能只比较绝对计数。缺失被填补后,结果可保留全部 1000 名样本,原始调用数、检验人数与剂量计数要分开。默认值核验,帮助文字与实际参数有差异,显式指定填补方式,再检查日志和输出。
100 例人工病例与 900 例对照,核对校正和缺失处理

一、先明确本次数据能回答什么

输入包括八百个常见变异,分布在两条人工染色体上,用于拟合背景关系。病例状态由一段带有基因型效应、年龄与随机扰动的生成规则确定,再选取固定数量的人工病例。这个设计只是让部分输出容易识别,不模拟真实疾病发生过程。

第二步检验一号染色体上的四百个常见变异,并加入四个专门用于观察行为的位点。其中两个分别在病例与对照中设置五比五、八比二的杂合携带者,另外两个具有不同等位基因频率,并各设置八十个缺失基因型。

所有样本都有表型和年龄,表型文件故意倒序排列,软件按样本编号匹配。本文使用简单常染色体、二倍体、双等位基因输入,没有推断剂量文件,没有性染色体,也没有运行基因集合检验。因此后面的经验应限定在这些已检验条件内。

复现使用固定容器摘要,内部 R 为四点四点三,软件版本及每个步骤的日志都随实跑复现包保存。安装方法可参考官方 Bioconda 说明,本文采用容器只是为了固定依赖,不能把软件名相同当作环境完全相同。

python3 run.py ./saige_practice

二、空模型文件与方差比文件应成对保存

第一步拟合二分类性状的空模型,包含年龄协变量,并使用八百个位点构建背景关系。我们明确启用留一条染色体处理。第二步检验一号染色体时,也明确传入一号染色体编号及相同模型产生的方差比文件。

本次第一步日志确认一千名样本进入分析,并从候选位点中抽取三十个位点估计方差比,得到约零点九四八八的数值。它是这次模型计算的中间量,不是软件质量评分,也不是越接近一就说明研究设计越正确。

step1_fitNULLGLMM.R \
  --plinkFile=model --phenoFile=phenotypes.txt \
  --phenoCol=case --covarColList=age \
  --sampleIDColinphenoFile=IID --traitType=binary \
  --LOCO=TRUE --nThreads=2 \
  --minMAFforGRM=0.05 --maxMissingRateforGRM=0.1 \
  --outputPrefix=null --IsOverwriteVarianceRatioFile=TRUE

实际项目里,不能把另一个表型、另一套协变量或另一批样本产生的方差比拿来配当前空模型。即使两个文件都能被读取,这种混用也破坏了它们的对应关系。建议在同一个任务记录中保存输入摘要、表型名称、样本筛选条件与模型输出路径。

本例使用完整关系矩阵的计算路径,没有实跑稀疏关系矩阵分支。不同分支对后续输入和留染色体设置的要求并不相同,不能把一套命令中的开关随意拼接到另一套流程。相关衔接要求见第一步官方说明。

三、两个显著性列有不同含义

本次强信号位点输出的普通近似概率约为一点〇三乘十的负十八次方,而采用鞍点近似后的概率约为二点六五乘十的负十五次方。两个数字都很小,但并不相同。这里不能只选择更小的那一列用来展示结果。

输出中的 p.value.NA 是未应用鞍点近似时的概率列,后缀不能被理解为“这个值是缺失”。主结果 p.value 应结合当前检验分支阅读。本次表头使用 Is.SPA,部分网页说明则出现不同的历史字段名,所以读表脚本应检查实际表头,而不是只依靠旧截图中的列位置。

人工位点 病例杂合携带者 对照杂合携带者 未用 SPA 的概率 主结果概率
五比五携带者对照 5 5 约 3.40×10^-4 约 1.54×10^-3
八比二携带者对照 8 2 约 2.74×10^-8 约 1.81×10^-6
预设常见强信号 55,另有9名纯合 209,另有10名纯合 约 1.03×10^-18 约 2.65×10^-15

这张表只展示本次输出发生了怎样的改变,不能用来证明哪一个数字更接近真实错误率。要评价校准,需要明确的零假设模拟或其他合适设计,并进行足够重复。本例通过人为加入携带者差异来观察程序行为,不具备那样的评价条件。

本次还明确关闭了近似 Firth 效应估计,因此表中的效应值不能称为已经过该方法校正。显著性计算和效应估计是不同环节,不能因为启用了某种概率校正,就自动把同一行的所有统计量都贴上相同标签。输出字段可查第二步官方说明。

四、五名对五名,分母不同就不是相同比例

那个名为五比五携带者对照的人工位点,在病例和对照中各安排五名杂合携带者,没有纯合替代基因型。病例只有一百人,携带比例为百分之五,对照有九百人,携带比例约为百分之零点五六,相差九倍。

输出的替代等位基因频率也能手算。病例有二百个二倍体等位基因拷贝,其中五个是替代等位基因,频率为零点〇二五。对照有一千八百个拷贝,其中同样五个为替代,频率约零点〇〇二七八。

因此,文件中的这个位点并不是“无差异对照”。我们给它设置相同携带者数量,正是为了说明计数相同不代表比例相同。读者分析病例对照数据时,应同时看两组人数、携带者数、纯合与杂合组成,避免只比较一列绝对数量。

这也说明整体频率无法代替分组审查。一个全队列频率很低的位点,可能由病例中的少数携带者驱动,也可能存在特定批次集中缺失。实际项目应检查这些携带者的原始质量与分组来源,不能只靠一个总频率和一条显著性阈值作判断。

五、缺失填补会改变结果表里的计数

两个缺失位点各有八十个基因型缺失,其中二十个来自病例、六十个来自对照。总体缺失率为百分之八,但病例缺失率为百分之二十,对照约百分之六点六七。整体缺失率看起来不高,并不意味着两组缺失情况相似。

低频那个位点,在九百二十个非缺失样本中观察到三百三十八个替代等位基因拷贝。以非缺失二倍体分母计算,频率约零点一八三七。采用最接近基因型的填补方式时,八十个缺失值在本例被填为零,输出计数仍是三百三十八,但分母变为全部两千个等位基因拷贝,频率变为零点一六九。

改用均值填补后,输出计数约为三百六十七点三九一,频率约零点一八三七。计数出现小数并不一定是文件损坏,它可能来自连续剂量或均值填补。本次就是后一种情况,不能把这列小数四舍五入成真实观察到的携带者人数。

缺失位点 填补方式 输出替代等位基因计数 输出频率 主结果概率
较低频位点 best_guess 338 0.169000 约 0.288
较低频位点 mean 367.391 0.183696 约 0.828
较高频位点 best_guess 873 0.436500 约 0.973
较高频位点 mean 861.957 0.430978 约 0.823
较高频位点 minor 793 0.396500 约 0.0843

两种方式都保留一百名病例与九百名对照参加检验,结果中的人数没有因为这些缺失而变成九百二十。这不是说程序没有处理缺失,而是它采用了填补路径。原始调用数量、填补后的检验人数与输出等位基因计数应分别记录。

表里的显著性变化也不能作为选择填补方法的依据。尤其本例刻意设置了分组缺失差异,调整填补规则不能代替调查缺失原因。正式数据若出现类似现象,应优先检查测序批次、覆盖度和基因型质量,再确定合理的过滤与分析方案。

六、默认值要看实际解析结果

本次安装版本的帮助文字在填补选项后写有默认方式为 minor,但安装脚本的实际默认参数是 best_guess,运行日志打印出的解析值也为后者。我们没有只根据帮助文字作判断,而是分别运行默认、明确指定最接近基因型、均值和另一选项四组对照。

实际结果显示,默认输出与明确指定最接近基因型的输出完全相同。低频位点上,另一选项恰好也得到相同结果,但在较高频位点上,两者的计数分别为七百九十三和八百七十三,差异明确可见。只用前一个位点检查,会误以为几个选项没有区别。

本次 minor 对照在较高频位点上的表现,相当于为缺失位置贡献零个替代等位基因拷贝。它与帮助文字中的简单措辞不能直接对应。本文只报告这个已运行场景,不把名字的字面意思推广成所有编码与频率条件下的规则。

读者遇到帮助文字、网页与实际行为不一致时,可以采用同样的方法,保存版本,查看日志中的解析值,再用一个能区分候选解释的最小输入复查。不要偷偷修改软件让结果“符合预期”,也不要把某一版本的差异泛化成整个项目一直如此。官方命令脚本可辅助核对,但应注意主分支未必等于已安装版本。

七、怎样比较两次结果而不被文件顺序误导

比较参数对照时,应按染色体、位置和两种等位基因建立结果键,再比较人数、频率、效应和检验状态。不要直接把两个文件的第十行当作同一个位点,因为过滤或分块方式变化后,行号未必保持对应。若只比较显著位点的数量,可能掩盖同一位点的计数已经改变。

本例可以先核对无缺失的常见位点,它们在不同填补方式下保持一致,再定位两个缺失位点上的差别。这样的对照有明确的预期,可以区分填补造成的局部改变与输入、模型文件被误换造成的广泛改变。发现不符合预期时,应回查原始输出和调用参数,不应只保留符合故事的几行。

还应把单个结果的可解释性与研究层面的多重检验分开。表中的主结果概率不是对所有位点、所有表型都已完成统一多重校正的结论。正式报告需要事先确定检验集合和阈值规则,并记录被过滤的候选项,不能分析结束后只根据最小概率重新定义研究范围。

八、位点减少时,区分计数过滤与计算失败

第二步把最低次要等位基因计数设置为五时,四百零四个位点均有输出。把门槛提高到二十后,两个计数均为十的人工稀有位点被过滤,结果剩四百零二行。其他位点继续保留,两种运行都正常结束。

这个对照说明,结果表里没有某个位点,可能是明确的输入门槛造成,并不一定是求解失败。排查时应按位点标识比较输入与输出,再把缺失项与计数、频率、缺失率等过滤规则对应起来。不能直接给所有缺失结果补一个概率一或零。

本次完整调用显式传入染色体、留染色体开关、等位基因顺序与填补方式。输入二进制文件把 G 放在第一等位基因位置,我们明确按替代在前的约定读取,输出效应对应第二等位基因列 G。不同工具的“第一列等位基因”未必承担相同含义,应以各自实际字段定义为准。

SAIGE 的价值在于为相关样本和病例对照不平衡等场景提供专门的建模与检验流程,而使用门槛也在于中间模型、校正、等位基因及输入分支需要保持一致。此次实跑最有用的经验是,先把计数与分母算清,再检查默认参数实际解析为何值,最后解释显著性。

当病例对照编码、缺失规则和模型衔接已核清,需要扩展到更多表型与变异时,可了解云生信生物信息学分析环境与算力服务,保留完整参数与质控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 ↗