经过前两期的深入解析，我们已经掌握了GWAS分析所需的数据类型及质控方法，今天将探讨我们的核心主题：关联分析。GWAS分析通常构建回归模型，以验证标记与表型之间的关联性。其中，① 零假设（H₀）：标记的回归系数为零，表示标记（例如SNP）对表型没有影响。② 备择假设（H₁）：标记的回归系数不为零，表明标记（即SNP）与表型存在相关性。

在第一期中提到，表型数据主要包括三种类型：数量性状、质量性状和分级性状。在开展关联分析之前，我们需根据不同表型类型选择合适的方法，并为减少假阳性，通常对p值进行校正。

1. 连续性状

连续性状是指在群体中呈现连续分布的特征，如身高、体重和血压等。可以选用的分析方法包括T检验和线性回归。使用命令：--assoc进行卡方检验和优势比分析，注意此时表型应为字符型且不允许协变量；而用--linear进行线性回归分析时，允许添加协变量，只需使用--covar参数。

示例命令：
#assoc关联分析（不校正/校正p值）
plink --bfile test --assoc --out result_assoc
plink --bfile test --assoc --adjust --out result_assoc
注意：生成的文件中会多出一个*assoc_adjusted后缀。
#linear关联分析（不考虑协变量、不校正/校正p值）
plink --bfile test --linear --out result_linear
plink --bfile test --linear --adjust --out result_linear
备注：协变量需通过--covar参数添加。

2. 阈值性状

阈值性状的表型值通常为1和2（0和-9表示缺失），如对照组（1）和实验组（2）。可选用的分析方法包括卡方检验和逻辑回归。使用--assoc进行卡方检验时，不允许包括协变量；使用--logistic进行逻辑回归时，可以添加协变量。

示例命令：
#assoc关联分析（不校正/校正p值）
plink --bfile test --assoc --out result_assoc
plink --bfile test --assoc --adjust --out result_assoc
注意：生成的文件中会多出一个*assoc_adjusted后缀文件。
#logistic关联分析（不考虑协变量、不校正/校正p值）
plink --bfile test --logistic --out result_logistic
plink --bfile test --logistic --adjust --out result_logistic
备注：协变量需通过--covar参数添加。

3. 分级性状

分级性状是可通过人为观察进行分类的离散变量，其定义有时依赖于经验。例如，植物的抗病性可依据叶片病斑面积（0~100%）定义为连续型数值性状，或通过设定阈值人为定义为分级性状（如高、中、低）。可用的分析方法同样包括卡方检验和逻辑回归。

示例命令：
#assoc关联分析（不校正/校正p值）
plink --bfile test --assoc --out result_assoc
plink --bfile test --assoc --adjust --out result_adjust
#logistic关联分析（不考虑协变量、不校正/校正p值）
plink --bfile test --logistic --out result_logistic
plink --bfile test --logistic --adjust --out result_logistic
备注：协变量需通过--covar参数添加。

到此，我们终于得到了梦寐以求的显著性结果。可以通过筛选p值以过滤假阳性，并进行可视化展示（如Q-Q图和曼哈顿图）。如何进行可视化呢？请继续关注我们的系列文章，敬请期待下期内容，同时记得关注尊龙凯时，获取最新的生物医疗分析技术与资讯。