如何建立一个微信小程序seo常用方法
XQTL 共定位分析
XQTLbiolinks 是一个端到端的生物信息学工具，由深圳湾实验室李磊研究团队开发，用于高效地分析公共或用户定制的个xQTLs数据。该软件提供了一个通过与 xQTLs 共定位分析进行疾病靶基因发现的流程，以检测易感基因和致病变异。
github地址：
https://github.com/dingruofan/xQTLbiolinks
0. R包下载与引用
用户可以通过以下代码安装或者引用：
#if (!require("BiocManager", quietly = TRUE)){install.packages("BiocManager")}
#BiocManager::install("SummarizedExperiment") # For windows or linux
#if(!require("devtools")){install.packages("devtools")}
#devtools::install_github("dingruofan/xQTLbiolinks")
library(data.table)
library(xQTLbiolinks)
library(stringr)
library(coloc)1.数据预处理
使用示例文件（GRCh38 版本基因组）的 GWAS 摘要汇总数据，在大脑 - 小脑中执行共定位分析：
gwasDF <- fread("http://bioinfo.szbl.ac.cn/xQTL_biolinks/xqtl_data/gwasDFsub.txt")
tissueSiteDetail="Brain - Cerebellum"
head(gwasDF)
输入的数据必须要有以下几列，列名可以不一样，但顺序必须相同：
-
列1.
variants，使用rsID（例如“rs11966562”） -
列2.
chromosome，染色体 -
列3.
position，snp的基因组位置 -
列4.
P-value -
列5.
MAF，等位基因频率 -
列6.
beta，效应大小 -
列7.
se，标准误
示例使用的是内置的 GTEX 数据，可以使用以下代码查看其中可使用的组织来源 eqtl 数据：
xQTLbiolinks::tissueSiteDetailGTExv8$tissueSiteDetail %>% unique()
2.鉴定哨兵 snps
哨兵 SNP 可以通过使用 xQTLanalyze_getSentinelSnp 及其参数 p-value < 5e-8 和 SNP-to-SNP distance > 10e6 bp来检测。如果提供的 GWAS 文件基因组版本是 GRCh37，推荐将其转换为 GRCh38（使用参数：genomeVersion="grch37）。
sentinelSnpDF <- xQTLanalyze_getSentinelSnp(gwasDF, pValueThreshold = 5e-08)
# 筛选过后的snp如下
sentinelSnpDF
#> rsid chr position pValue maf beta se
#> 1: rs13120565 chr4 10702513 5.66e-10 0.6429 0.01825 0.002943.确定 snps 相关性状基因
性状基因是指位于哨兵 SNPs 1Mb 范围内（默认值，可以通过参数detectRange更改）的基因，使用函数 xQTLanalyze_getTraits 搜索哨兵 SNPs 1Mb 范围内的每个基因。
traitsAll <- xQTLanalyze_getTraits(sentinelSnpDF, detectRange=1e6, tissueSiteDetail=tissueSiteDetail)
# 总共检测到3个特征基因与1个SNP之间的3个关联
traitsAll
#> rsid chr position pValue maf beta se gencodeId
#> 1: rs13120565 chr4 10702513 5.66e-10 0.6429 0.01825 0.00294 ENSG00000002587
#> 2: rs13120565 chr4 10702513 5.66e-10 0.6429 0.01825 0.00294 ENSG00000109684
#> 3: rs13120565 chr4 10702513 5.66e-10 0.6429 0.01825 0.00294 ENSG000002614904.进行共定位分析
共定位方法中有四个统计假设：
-
H0：表型1（GWAS）和 表型2 （*QTL）与某个基因组区域的所有SNP位点无显著相关
-
H1/H2：表型1（GWAS）或表型2（*QTL）与某个基因组区域的SNP位点显著相关
-
H3：表型1（GWAS）和 表型2 （*QTL）与某个基因组区域的SNP位点显著相关，但由不同的因果变异位点驱动
-
H4：表型1（GWAS）和 表型2 （*QTL）与某个基因组区域的SNP位点显著相关，且由同一个因果变异位点驱动
① 对于单个特征基因，例如上步骤中的 ENSG00000109684，可以使用coloc方法执行共定位分析：
output <- xQTLanalyze_coloc(gwasDF, "ENSG00000109684", tissueSiteDetail=tissueSiteDetail) # using gene symbol
# 输出是一个列表，包括两部分：coloc_Out_summary 和 gwasEqtlInfo
output$coloc_Out_summary
#> nsnps PP.H0.abf PP.H1.abf PP.H2.abf PP.H3.abf PP.H4.abf
#> 1: 7107 7.097893e-11 1.32221e-07 3.890211e-06 0.00625302 0.993743
#> traitGene candidate_snp SNP.PP.H4
#> 1: ENSG00000109684 rs13120565 0.5328849
② 对于多个特征基因，可以使用for循环或lapply函数来获取所有基因的输出（使用coloc和hyprcoloc方法）
outputs <- rbindlist(lapply( unique(traitsAll$gencodeId), function(x){ # using gencode ID.xQTLanalyze_coloc(gwasDF, x, tissueSiteDetail=tissueSiteDetail, method = "Both")$colocOut }))
# outputs是一个data.table，它合并了所有基因的 coloc_Out_summary 的所有结果
outputs
#> traitGene nsnps PP.H0.abf PP.H1.abf PP.H2.abf PP.H3.abf
#> 1: ENSG00000002587 6452 1.730175e-05 3.218430e-02 6.603361e-05 0.12198838
#> 2: ENSG00000109684 7107 7.097893e-11 1.322210e-07 3.890211e-06 0.00625302
#> 3: ENSG00000261490 6601 5.287051e-05 9.848309e-02 4.801374e-04 0.89435622
#> PP.H4.abf candidate_snp SNP.PP.H4 hypr_posterior hypr_regional_prob
#> 1: 0.84574398 rs13120565 0.4140146 0.5685 0.9694
#> 2: 0.99374296 rs13120565 0.5328849 0.9793 0.9999
#> 3: 0.00662768 rs13120565 0.4219650 0.0000 0.0101
#> hypr_candidate_snp hypr_posterior_explainedBySnp
#> 1: rs13120565 0.2726
#> 2: rs13120565 0.4747
#> 3: rs13120565 0.41185. 结果可视化
对于潜在的因果基因ENSG00000109684（PP4=0.9937 & hypr_posterior=0.9999，数值越大越显著），我们可以获得其跨组织的显著关联：
xQTLvisual_eqtl("ENSG00000109684")
为了可视化 p 值分布和比较 GWAS 和 eQTL 的信号，首先通过 rsid 合并 GWAS 和 eQTL 的变异：
eqtlAsso <- xQTLdownload_eqtlAllAsso(gene="ENSG00000109684", tissueLabel = tissueSiteDetail, data_source = "liLab")
gwasEqtldata <- merge(gwasDF, eqtlAsso, by="rsid", suffixes = c(".gwas",".eqtl"))
函数 xQTLvisual_locusCompare 在右上角显示候选 SNP rs13120565：
xQTLvisual_locusCompare(gwasEqtldata[,.(rsid, pValue.eqtl)], gwasEqtldata[,.(rsid, pValue.gwas)], legend_position = "bottomright")
# 注意：SNP连锁不平衡信息会自动在线下载。由于网络问题，下载有时可能会失败。如果这种情况发生，请再次尝试运行。
GWAS 信号的 Locuszoom 图：
xQTLvisual_locusZoom(gwasEqtldata[,.(rsid, chrom, position, pValue.gwas)], legend=FALSE)
eQTL 信号的 LocusZoom 图：
xQTLvisual_locusZoom(gwasEqtldata[,.(rsid, chrom, position, pValue.eqtl)], highlightSnp = "rs13120565", legend=FALSE)
eQTL（rs13120565-ENSG00000187323.11）标准化表达的小提琴图：
xQTLvisual_eqtlExp("rs13120565", "ENSG00000109684", tissueSiteDetail = tissueSiteDetail)
xQTLvisual_locusCombine结合locuscompare和locuszoom图：
xQTLvisual_locusCombine(gwasEqtldata[,c("rsid","chrom", "position", "pValue.gwas", "pValue.eqtl")], highlightSnp="rs13120565")
共定位位点应显示出一般模式，其中高 LD 的 SNPs 将显示出与共定位基因表达水平的强关联，而低 LD 的 SNPs 的 eQTL 关联将减弱。eQTL 的这种模式在不同组织/细胞类型中变化，其强度表明了变异的调节效应的力量。我们可以使用 xQTLvisual_coloc 可视化不同组织/细胞类型中 eQTL 的 p 值与 LD 之间的相关性，以轻松区分这种模式：
multi_tissue_coloc <- xQTLvisual_coloc(gene="ENSG00000109684", variantName="rs13120565", tissueLabels = c("Brain - Cerebellar Hemisphere", "Brain - Cerebellum", "Thyroid", "Lung","Cells - EBV-transformed lymphocytes"))
速来速去
今天就分享到这