在之前的两期讲解中，我们了解了进行GWAS分析所需的数据类型及数据质控方法，今天我们进入核心内容：关联分析。GWAS分析通常会构建回归模型来检验标记与表型之间的关联关系。首先，我们需要明确零假设（H₀）：标记的回归系数为零，这意味着标记（即SNP）对表型没有影响；其次是备择假设（H₁）：标记的回归系数不为零，即标记（SNP）与表型存在相关性。在第一期中提到，表型数据可分为三类：数量性状、质量性状和分级性状。进行关联分析时，我们需根据不同类型的表型选择合适的方法，并且通常会对p值进行矫正，以降低假阳性率。

1. 连续性状
连续性状指在群体中呈现连续分布的特征，如身高、体重和血压。适用的方法包括T检验和线性回归。对于连续性状的关联分析，若不考虑协变量，可以使用命令：
plink --bfile test --assoc --out result_assoc
若需校正p值，可使用：
plink --bfile test --assoc --adjust --out result_assoc
注意，校正时会生成带有“*assocadjusted”后缀的文件。另一种方法是线性回归，使用命令：
plink --bfile test --linear --out result_linear
如果要考虑协变量，可以添加--covar参数。

2. 阈值性状
阈值性状指的是表型值能够被分为两个类别的数据，通常是1（对照组）和2（实验组），而缺失值用0和-9表示。适合的分析方法有卡方检验和逻辑斯蒂回归。无协变量的卡方检验命令为：
plink --bfile test --assoc --out result_assoc
校正p值的命令为：
plink --bfile test --assoc --adjust --out result_assoc
逻辑回归分析命令为：
plink --bfile test --logistic --out result_logistic
同样，如果考虑协变量，也需添加--covar参数。

3. 分级性状
分级性状是根据人为观察可以分类的离散变量，但其区分最终依赖于我们的经验。例如，植物的抗病性可以通过叶片病斑的面积来定义为连续型，也可以人为设定阈值划分为分级性状。分析方法可以采用卡方检验和逻辑斯蒂回归，命令与前述内容相同。卡方检验和逻辑回归的命令分别为：
plink --bfile test --assoc --out result_assoc
plink --bfile test --logistic --out result_logistic
需要注意的是，协变量同样需要通过--covar参数添加。

到此为止，我们终于得到了期望中的显著性结果。接下来，可以通过筛选p值来过滤假阳性，并进行可视化呈现（如常见的Q-Q图和曼哈顿图）。想知道如何进行这些可视化操作吗？请耐心等待下期内容，我们将详细介绍。同时，欢迎访问88858cc永利官网，获取更多生物医疗相关的信息和资源。