PLINK实战：用--genome参数搞定GWAS数据中的“亲戚”排查（附pihat阈值选择心得）
PLINK实战：用--genome参数搞定GWAS数据中的“亲戚”排查（附pihat阈值选择心得）
在基因组关联分析（GWAS）中，数据质量是确保结果可靠性的基石。许多初学者往往将注意力集中在SNP缺失率、哈迪-温伯格平衡等基础质控指标上，却忽略了数据中可能存在的隐性亲缘关系——这种疏忽可能导致后续分析出现假阳性或效应量估计偏差。本文将带您深入PLINK工具的--genome参数，掌握如何像遗传侦探一样，从看似普通的基因型数据中揪出那些"隐藏的亲戚"。
1. 为什么亲缘关系排查如此重要？
传统GWAS分析基于一个重要假设：所有样本个体之间不存在亲缘关系（或不超过二级亲属关系）。当这一假设被违反时，会导致：
- 假阳性风险增加：相关个体的存在会使某些SNP的关联信号被人为放大
- 标准误差低估：效应量估计的精确度会受到影响
- 群体分层混淆：未检测到的亲缘关系可能被误认为群体结构效应
一个典型的例子来自2015年某项精神疾病GWAS研究。研究团队在初期分析中发现数个显著关联信号，但经过严格亲缘关系排查后，这些信号中有40%被证明是由未被标注的同胞对导致的假阳性。这凸显了--genome分析在质控流程中的关键地位。
2. --genome参数的核心输出解析
执行以下命令将生成关键的亲缘关系分析报告：
plink --bfile your_data --extract indepSNP.prune.in --genome --min 0.2 --out pihat_min0.2生成的pihat_min0.2.genome文件包含14列关键信息，其中需要特别关注的列包括：
| 列号 | 字段名 | 生物学意义 | 典型值范围 |
|---|---|---|---|
| 10 | PI_HAT | IBD共享比例 | 0-1.0 |
| 12 | IBS_DIST | IBS遗传距离 | 0-1.0 |
| 13 | Z0-Z2 | IBD状态概率 | P(IBD=0)到P(IBD=2) |
注意：PI_HAT值计算为P(IBD=2) + 0.5×P(IBD=1)，是判断亲缘关系的黄金标准指标
2.1 如何解读不同类型的亲缘关系
通过组合以下指标，可以准确判断个体间的亲缘程度：
同卵双胞胎：
- PI_HAT ≈ 1.0
- Z2 ≈ 1.0
- IBS_DIST ≈ 0
一级亲属（父母/子女/异卵双胞胎）：
- PI_HAT ≈ 0.5
- Z1 ≈ 1.0
- IBS_DIST ≈ 0.25
二级亲属（祖孙/叔侄）：
- PI_HAT ≈ 0.25
- Z0/Z1混合
- IBS_DIST ≈ 0.375
3. pihat阈值选择的艺术与科学
选择恰当的PI_HAT阈值是亲缘关系控制的关键决策。不同研究场景下的推荐阈值：
| 研究类型 | 推荐阈值 | 理论依据 |
|---|---|---|
| 严格病例对照研究 | 0.125 | 排除三级亲属 |
| 一般GWAS分析 | 0.2 | 排除二级亲属 |
| 家系研究 | 0.375 | 保留核心家系 |
在实际操作中，建议采用以下工作流程：
- 首轮筛选（PI_HAT > 0.2）：
plink --bfile data --genome --min 0.2 --out round1- 检查异常值对：
awk '$10 > 0.9' round1.genome | less- 逐步收紧阈值（如0.15、0.1），观察受影响对数变化曲线
4. 实战：处理检测到的亲缘关系对
发现相关个体对后，常见的处理策略包括：
基于呼叫率的剔除（推荐）：
plink --bfile data --missing --out miss_stats sort -k6,6gr miss_stats.imiss | head -n 10保留家系结构（如需）：
plink --bfile data --keep-founders --make-bed --out founders_only随机剔除（当其他指标相同时）：
shuf related_pairs.txt | head -n 10 > to_remove.txt
一个实际案例：在某项包含5000样本的GWAS中，使用PI_HAT>0.2标准识别出32对相关个体。通过比较他们的呼叫率：
| 个体ID | 呼叫率 | 处理决定 |
|---|---|---|
| ID123 | 0.987 | 保留 |
| ID456 | 0.921 | 剔除 |
| ID789 | 0.953 | 随机剔除 |
经过这轮质控后，该研究的基因组膨胀因子(λ)从1.12降到了1.05，显著提高了结果可靠性。