全基因组关联分析学习资料（GWAS tutorial）
https://www.cnblogs.com/chenwenyan/p/11803311.html
全基因组关联分析学习资料（GWAS tutorial）20210313更新版
时隔一年多，于今日（20210313）再次更新教程，后续如果新出教程的话会一直更新。
同时感谢多年陪伴我成长、一直默默关注我的「你们」~
by「橙子牛奶糖（陈文燕）」
1.前言
很多人问我有没有关于全基因组关联分析（GWAS）原理的书籍或者文章推荐。
其实我个人觉得，做这个分析，先从跑流程开始，再去看原理。
为什么这么说呢，因为对于初学者来说，跑流程就像一个大黑洞，学习原理就像一个小黑洞。
很多人花了好几个月的时间在看原理，一旦丢给他数据去分析，依旧束手无策。
不会跑流程，内心依旧会很恐慌。就像从来没有入门一样。
所以，我的建议是咱们先不去管原理，直接从分析入手。
等把数据跑出来了，整个流程的技能点满了，再去看看它的原理。
2.入门：学习GWAS的在线网站：
对于没有编程基础的人来说，建议先从一个在线的网站走一遍GWAS流程。
这样就能知道完成GWAS需要多少个步骤，心里大概有个底。
easygwas网站提供了公共数据，可以直接开始分析GWAS。整个流程按照网站提示，很简单。
3.进阶
3.1 备选1：在linux下学习GWAS的实操数据
由于我们最终还是需要拿着自己的数据完成GWAS分析，不必避免的需要一定的编程基础。
在线网站只是一个提供理解GWAS流程的网站，因此，我们还是需要在linux系统下拿一些数据练练手。学会最基本的命令行。
在这里，我推荐一个提供linux下学习GWAS的教程：GWA_tutorial.
网址：https://github.com/MareesAT/GWA_tutorial/
网站分为四个教程：1）GWAS的数据QC; 2)处理群体分层；3）关联分析（GWAS）; 4)多基因风险得分分析（Polygenic risk score analyses）
「示例数据都有了，就等你自己上手了。」
「我敢保证，当你能完整的跑完这个流程的时候，你对GWAS的理解少说也有70% ，下一个在群里帮我解答问题的大神就是你了（申请进群方式见公众号菜单栏）。」
3.2 备选2：使用R语言做GWAS分析
有些人对R语言可能比较熟悉，这里提供了一个用R语言分析GWAS的流程。
该流程有：GWAS的QC，PCA分析，Manhattan图，QQ图，候选位点的功能分析
感兴趣的看这个：Genome-wide association studies in R
网址：https://www.r-bloggers.com/genome-wide-association-studies-in-r/
3.3 备选3（当然是我的教程啦~~~~）
3.3.0 原理
3.3.1 分析流程
3.3.2 数据处理
3.3.2.1 数据质量过滤
GWAS基因芯片数据预处理：质量控制（quality control）
3.3.2.2 正负链翻转（stand flip）
3.3.2.3 基因型数据填补（imputation）
soga，网页版的基因型填充可以这么做（genotype imputation）
3.3.2.4 群体分层校正
GWAS群体分层 (Population stratification)：利用plink对基因型进行PCA
3.3.3 关联分析
GWAS: 曼哈顿图，QQ plot 图，膨胀系数（ manhattan、Genomic Inflation Factor）
对曼哈顿图（Manhattan plot ）多个显著位点标志不同颜色，拒绝屎一样的绿色
3.3.4 meta分析
只用一行命令，就可以学会全基因组关联分析(GWAS)的meta分析
3.3.5 条件分析
GWAS条件分析（conditional analysis）：作用，步骤，结果解读
3.3.6 基因多效性
3.3.7 gene-based 关联分析
使用VEGAS2（Versatile Gene-based Association Study）进行gene based的研究
3.3.8 孟德尔随机化分析
讲一讲孟德尔随机化分析中的敏感性分析（sensitivity analyses）
使用MR-PRESSO检验水平基因多效性（孟德尔随机化分析）
孟德尔随机化(Mendelian Randomization) 统计功效（power）和样本量计算
3.3.9 LocusZoom图、连锁不平衡图（LD block）
推荐一个画连锁不平衡图（LD block）的软件LDBlockShow，亲测比haploview好用！
一个R包(IntAssoPlot)，LocusZoom图、连锁不平衡图和基因结构图一步到位
3.3.10 多基因风险评分(Polygenic Risk Score)
GWAS系列分析：多基因风险评分(Polygenic Risk Score)的计算
多文解读:多基因分险得分(Polygenic risk score,PRS)应用
3.3.11 基因多效性、遗传度、遗传相关性
利用GCTA工具计算复杂性状/特征（Complex Trait）的遗传相关性（genetic correlation）
3.3.12 常规 fine-mapping 分析
GWAS这么多信号位点，哪一个才是影响表型的决定性位点？fine-mapping：PAINTOR教程
3.3.13 共定位分析
eQTL、mQTL共定位分析(Summary-data-based Mendelian Randomization,SMR)
3.3.14 富集分析
DEPICT实现基因优化、gene set富集分析、组织富集分析（tissue enrichment）
3.3.15 全转录组分析
基于GWAS结果预测靶基因及特异性组织的表达（又名全转录组分析）
3.3.16 上位效应（epistasis）分析
3.3.17 其他的 GWAS 后续分析
GWAS：拒绝假阳性之case和control数量比例严重失衡的解决方案（SAIGE模型的应用）
使用metaCCA进行单/多个SNP与多表型的典型相关性分析
3.3.18 SNP 注释
批处理！功能富集分析、基因ID转换、查找同源基因、SNP注释一站式服务
3.3.19 增强子、启动子、转录因子等调控元件数据库
查询、可视化变异位点/序列是否有enhancers和Epromoters活性
EpiRegio：查找感兴趣的基因、基因组区域是否有调控元件
(史上最全)SNP位点与转录因子结合特异性数据库：GVATdb
感兴趣的SNP/区域上是否有增强子/转录因子？增强子/转录因子调控哪个靶基因？（EnhancerDB）
3.3.20 其他相关数据库
囊括45万人数据，778个表型，3千万个位点的公共数据库：GeneATLAS
Mouse Genome Informatics（MGI）数据库介绍
LDtrait工具: 查找SNP及其高度连锁位点显著相关的表型
3.3.21 进化相关分析
kaks calculator批量计算多个基因的选择压力kaks值
使用 KaKs Calculator 计算 KaKs 的衍生问题解答
平衡选择（Balancing Selection）检测及应用
haploPS、XP-EHH、 Fst检测正向选择信号的实例介绍
3.3.22 相关文献阅读
什么！GWAS研究中case和control的比例是有讲究的？
GWAS文献解读：The stability of educational achievement
GWAS+自然选择：62个样本的GWAS分析，没信号，如何巧妙的发文章
4. 其他补充
4.1 GWAS其他教程：
www.transplantdb.eu/sites/transplantdb.eu/files/HandsOnTutorialtoGWAS_Seren-030715.pdf
https://doc.goldenhelix.com/SVS/tutorials/snp_gwas/index.html
ccbb.jnu.ac.in/IUBDDJan2015/workshop_files/GWAS Tutorial.pdf
https://www.r-project.org/conferences/useR-2009/slides/Zhao+Tan.pdf
users.du.se/~lrn/NOVAComputerExercises/NOVA_GenABEL_tutorial.pdf
gsea4gwas-v2.psych.ac.cn/docs/tutorial.jsp
www.montefiore.ulg.ac.be/~kvansteen/GeneticEpi-UA2/Class5/Introduction to GenABEL.pdf
4.2 看看文献，加深对GWAS的理解：
A tutorial on conducting genome‐wide association studies: Quality control and statistical analysis(网址：https://onlinelibrary.wiley.com/doi/full/10.1002/mpr.1608)
Genome-wide association studies and beyond（网址：https://www.ncbi.nlm.nih.gov/pubmed/20235850）
Genome-wide association studies（网址：https://www.ncbi.nlm.nih.gov/pubmed/23300413）
