经过前面的几期讲解，我们已经掌握了GWAS分析所需的数据类型和数据质控方法，现在我们将进入核心内容：关联分析。在进行GWAS分析时，通常会构建回归模型来检验标记与表型之间的关联关系。其中，零假设（H0）认为标记的回归系数为零，意味着标记（如SNP）对表型没有影响；而备择假设（H1）则认为标记的回归系数不为零，表示标记与表型存在相关性。

在之前的一期中，我们提到表型数据可以分为三类：数量性状、质量性状和分级性状。进行关联分析前，需要根据不同类型的表型选择合适的方法，同时为了减少假阳性结果，通常会对p值进行矫正。

1. 连续性状

连续性状指的是在群体中呈现连续分布的性状，例如身高、体重和血压等。可以选择的方法包括T检验和线性回归，具体实现如：使用命令plink --bfile test --assoc --out result_assoc进行无校正的关联分析，若需校正p值则用plink --bfile test --assoc --adjust --out result_assoc，注意这将生成一个带有*assoc_adjusted后缀的文件。

2. 阈值性状

阈值性状是指表型值数据被分为两类，例如1和2，其中0和-9表示缺失。常见的例子是对照组（1）和实验组（2）。可以采用卡方检验或逻辑斯蒂回归进行分析。在这里，我们可以用以下命令进行相关分析：无校正的plink --bfile test --assoc --out result_assoc和校正的plink --bfile test --assoc --adjust --out result_assoc，同样会生成后缀为*assoc_adjusted的文件。对于逻辑回归，使用命令plink --bfile test --logistic --out result_logistic进行无校正的关联分析，校正p值则用plink --bfile test --logistic --adjust --out result_logistic。

3. 分级性状

分级性状是指通过观察可以进行分类的离散型变量，但其定义仍然依赖于我们的经验。例如，植物抗病性可能根据叶片病斑的面积被定义为连续性状，或根据设定的阈值（如高、中、低）定义为分级性状。这类数据同样可以使用卡方检验或逻辑斯蒂回归分析。关联分析的命令为：无校正的plink --bfile test --assoc --out result_assoc和校正的plink --bfile test --assoc --adjust --out result_assoc，逻辑回归则为无校正的plink --bfile test --logistic --out result_logistic和校正的plink --bfile test --logistic --adjust --out result_logistic。

至此，我们终于得出了显著性结果，可以对结果表格进行p值筛选以过滤假阳性。此外，还可以进行直观展示，如著名的Q-Q图和曼哈顿图。那么，如何进行这些可视化呢？别着急，我们将在下一期为您详细解答，敬请期待尊龙凯时为您带来的最新生物医疗资讯。