Bei der Populationsstruktur handelt es sich um genetische Ähnlichkeit zwischen großen Gruppen von Individuen oder Linien. Zur Vorbereitung der Assoziationskartierung sollte die Populationsstruktur beurteilt werden. Ebenso wie die familiäre Verwandtschaft kann auch die Bevölkerungsstruktur in eine Assoziationskartierungsanalyse einbezogen werden. Bei der QK-Assoziationsanalyse wird die Bevölkerungsstruktur mit einer Q-Matrix und die familiäre Verwandtschaft mit einer K-Matrix modelliert (siehe Teil 3a: Markerbasierte Beziehungsmatrix ). Es gibt zwei Möglichkeiten, eine Q-Matrix zu erstellen JMP-Genomik : Hauptkomponentenanalyse (PCA) und mehrdimensionale Skalierung (MDS).
Sowohl PCA als auch MDS sind ähnliche Techniken zur Datenreduktion, weisen jedoch einige wichtige Unterschiede auf. Während MDS versucht, die Daten so zu reduzieren, dass die Beziehungen zwischen Beobachtungen oder Linien erhalten bleiben, soll PCA die größten Varianzquellen in den Daten beschreiben. Infolgedessen kann PCA empfindlich auf kleinere Muster reagieren, die bei einem einzelnen Hersteller oder einer Handvoll Markern zu finden sind, Muster, die bei MDS nicht erkennbar wären.
PCA kann in JMP Genomics auf zwei Arten zur Kontrolle der Bevölkerungsschichtung in Assoziationstests verwendet werden. Die in diesem Beitrag behandelte Methode, bekannt als Eigenstrat Methode, findet sich in der PCA für Bevölkerungsschichtung Werkzeug. Dieses Tool führt zunächst die PCA-Analyse durch, speichert die Ausgabe und führt dann optional eine Eigenstrat-Assoziationsanalyse durch, wenn eine oder mehrere Merkmalsvariablen angegeben sind.
- Von dem Genomik-Starter Menü, wählen Genetik > GWAS-Tests > PCA zur Bevölkerungsschichtung .
- Für diese Analyse werden numerische Genotypen benötigt. Verweisen Sie auf die Genotypen neu kodieren Verfahren, das im früheren Blog-Beitrag beschrieben wurde , Genetische Assoziation mit JMP Genomics, Teil 1: Importieren und Bereinigen von Daten .
- Auf der Allgemein Registerkarte, wählen Sie rice_genos_recgeno. sas7bdat , als die Geben Sie den SAS-Datensatz ein .
- Weisen Sie zu GW als die Merkmalsvariable . Zuordnen GID als die Beschriftungsvariable . Die gemessenen Merkmale sind wie folgt:
- FL: Tage bis zur Blüte
- PH: Pflanzenhöhe
- PW: Rispengewicht
- GW: Getreideertrag
- Bezeichnen Sie die anderen drei Merkmalsvariablen ( FL, PH, PW ) als Im PCA-Datensatz zu behaltende Variablen . Beachten Sie, dass diese Analyse mehrere Merkmale gleichzeitig verarbeiten kann. In diesem Beispiel erstellen wir jedoch ein gemischtes QK-Modell nur für den Getreideertrag.
- Typ recgeno : im Feld mit der Aufschrift Listenartige Spezifikation von Markierungsvariablen .
- Wählen ein Ausgabeordner .
- Auf der Anmerkung Registerkarte, auswählen rice_anno_recgeno. sas7bdat als die Annotation SAS-Datensatz .
- Füllen Sie das aus Anmerkung Tab mit RS_RG als die Anmerkungsbeschriftungsvariable , chrom als die Anmerkungsgruppenvariable Und Pos als die Anmerkungspositionsvariable.
- Unter dem Optionen Aktivieren Sie auf der Registerkarte das Kontrollkästchen daneben Erstellen Sie einen zusammengeführten PCA-Ausgabedatensatz. Dadurch wird die Datei erstellt, die für die QK-Analyse verwendet wird.
- Hier ein PCA-Datensatz Es kann angegeben werden, welches aus einer früheren Iteration dieses Prozesses erstellt wurde. Auch der Anzahl der Hauptkomponenten und/oder die Kumulativer Variationsanteil zur Erklärung mit PCA angegeben werden. Hier, JMP erklärt diesen Anteil mit der minimalen Anzahl von Komponenten oder erklärt so viel Varianz wie möglich mit der maximalen Anzahl angegebener Komponenten. Um die genaue Anzahl der verwendeten Komponenten auszuwählen, geben Sie ein 5 als die Anteil der zu erklärenden Variation .
- Legen Sie in diesem Beispiel die fest Maximale Anzahl an PCs Zu 5 und das Kumulativer Variationsanteil zur Erklärung Zu 5 .
- Aktivieren Sie das Kontrollkästchen Führen Sie EigenCorr durch, um PCs auszuwählen . Dadurch wird bestimmt, welche Hauptkomponenten in die Regression einbezogen werden sollen, indem ein p-Wert für die Korrelation zwischen jedem PC und jeder Merkmalsvariablen erstellt und die PCs mit signifikanten p-Werten basierend darauf einbezogen werden Mehrfachtestmethode Und Alpha Wert angegeben. Hier auswählen FDR Und 1 bzw.
- Wählen Kontinuierlich von dem Art der Eigenschaft Dropdown-Menü.
- Typ " PCA_output " im Präfix der Ausgabedatei .
- Auf der P-Wert-Diagramme Registerkarte, auswählen -log10 für die Umrechnung für p-Werte . Beachten Sie, dass sich diese Optionen auf die Diagramme auswirken, die in der SNP-Trait-Assoziationsausgabe enthalten sind, und nicht auf die tatsächliche PC-Auswahl.
- Lassen Sie die Alpha Wert als 0,05 und klicken Laufen um die Analyse zu starten.
Ergebnisse
- Wenn das Ergebnis-Dashboard angezeigt wird, werden beide angezeigt PCA 2D & 3D-Zeilenwerte Registerkarten zeigen die Beziehungen zwischen den Hauptkomponenten. Bei Personen, die sich in diesen Parzellen zusammenschließen, wird davon ausgegangen, dass sie die gleiche Abstammung haben. Der 2D-Plot zeigt die Korrelation jedes der fünf PCs untereinander. Im 3D-Plot kann die Beziehung zwischen drei beliebigen PCs (ausgewählt unter dem Plot) in einem dreidimensionalen Raum dargestellt werden.
- Entdecke die Geröllgrundstück . Jeder Punkt in diesem Diagramm repräsentiert eine Hauptkomponente und das Ausmaß der Variation, die diese Komponente ausmacht.
- Klick auf das Übersichtsdiagramm Klicken Sie auf die Registerkarte, um die Ergebnisse der Eigenstrat-Assoziationsanalyse anzuzeigen. Das Balkendiagramm zeigt die Anzahl der signifikanten Marker auf jedem Chromosom.
- Um ein einzelnes Chromosom zu untersuchen, suchen Sie die Schaltfläche für dieses Chromosom im Tabs Abschnitt und wählen Sie Registerkarte „Ansicht“. .
- Der Manhattan-Grundstück Die Registerkarte zeigt signifikante Marker für den Getreideertrag, gefärbt nach Chromosomen. Punkte auf dem Diagramm oberhalb der roten Linie gelten als signifikante Markierungen.
- Endlich, das Vulkangrundstück Die Registerkarte zeigt ein Vulkandiagramm jedes nach Chromosomen gefärbten Markers mit geringem Allel-Genotyp-Effekt auf der x-Achse und den logarithmisch transformierten p-Wert auf der y-Achse. Punkte oberhalb der roten Linie gelten als signifikant.
- Die Datei pca_output_pcm. sas7bdat befindet sich jetzt in der Ausgabeordner zuvor benannt und verfügt über die PCA-Werte, die verwendet werden können QK-Assoziationsanalyse .
*Sehen Sie sich die interaktiven Ergebnisse dieser Analyse an unter JMP Public .
Folgeprozesse
Dieser Leitfaden behandelte den Q-Matrix-Teil der QK-Analyse. Die Q-Matrix enthält Informationen über die Bevölkerungsstruktur, die daraus stammen können Mehrdimensionale Skalierung, Hauptkomponentenanalyse , oder sogar manuelle Zuordnung der Linien oder Einzelpersonen zu vom Benutzer kuratierten Gruppen. Der Ausgabedatensatz, pca_output_pcm.sas7bdat , aus dieser Analyse kann in verwendet werden QK-Assoziationsanalyse . Für den nächsten Schritt in der QK-Assoziationsanalyse Pfad, sehen Sie sich den Blog-Beitrag an Teil 3c: QK Gemischtes Modell .
Bei der Populationsstruktur handelt es sich um genetische Ähnlichkeit zwischen großen Gruppen von Individuen oder Linien. Zur Vorbereitung der Assoziationskartierung sollte die Populationsstruktur beurteilt werden. Ebenso wie die familiäre Verwandtschaft kann auch die Bevölkerungsstruktur in eine Assoziationskartierungsanalyse einbezogen werden. Bei der QK-Assoziationsanalyse wird die Bevölkerungsstruktur mit einer Q-Matrix und die familiäre Verwandtschaft mit einer K-Matrix modelliert (siehe Teil 3: Markerbasierte Beziehungsmatrix ). Es gibt zwei Möglichkeiten, eine Q-Matrix in JMP Genomics zu erstellen: Hauptkomponentenanalyse (PCA) und mehrdimensionale Skalierung (MDS).
Sowohl PCA als auch MDS sind ähnliche Techniken zur Datenreduktion, weisen jedoch einige wichtige Unterschiede auf. Während MDS versucht, die Daten so zu reduzieren, dass die Beziehungen zwischen Beobachtungen oder Linien erhalten bleiben, soll PCA die größten Varianzquellen in den Daten beschreiben. Infolgedessen kann PCA empfindlich auf kleinere Muster reagieren, die bei einem einzelnen Hersteller oder einer Handvoll Markern zu finden sind, Muster, die bei MDS nicht erkennbar wären.
PCA kann in JMP Genomics auf zwei Arten zur Kontrolle der Bevölkerungsschichtung in Assoziationstests verwendet werden. Die in diesem Beitrag behandelte Methode, bekannt als Eigenstrat Methode, findet sich in der PCA für Bevölkerungsschichtung Werkzeug. Dieses Tool führt zunächst die PCA-Analyse durch, speichert die Ausgabe und führt dann optional eine Eigenstrat-Assoziationsanalyse durch, wenn eine oder mehrere Merkmalsvariablen angegeben sind.
