IEUOpenGWASproject(mrcieu.ac.uk)UKBiobank-UKBiobankGWASCatalog 在孟德尔随机化（Mendelianrandomization，MR）研究中，对于暴露数据我们只需要那些显著的SNP信息，这样的信息在各种GWAS数据库中都是很容易获取的。但是，关于结局的数据，由于需要SNP和结局不相关，所以很多时候这种不显著的结果无法直接从文章或者数据库中查询到，这时候我们需要下载完整的GWASsummary数据了，这种数据一般包含上百万乃至上千万的SNP信息，所以数据量比较大（压缩后在200M左右），希望大家有所认识，有所准备。接下来，我将介绍如何从

利用协方差矩阵，特征值和特征向量将高纬变量投影到数个低维变量的过程；PCA分析的过程就是从千万级别的SNP位点中提取关键信息，以便使用更少的变量就可以对样本进行有效的刻画和区分;常用分析软件有：R、ldak、GCTA、EIGENSOFT等；其结果可以代替群体结构分析的结果，作为协方差矩阵运用于关联分析。Wangetal.,2013,NatureCommunications1.下载及安装1.1下载地址https://cnsgenomics.com/software/gcta/#Download1.2安装$unzipgcta_1.92.0beta3.zip#调用$./gcta642.主成分计算2.

混合线性模型MLM：GLM模型中，如果两个表型差异很大，但群体本身还含有其他的遗传差异（如地域等），则那些与该表型无关的遗传差异也会影响到相关性。MLM模型可以把群体结构的影响设为协方差，把这种位点校正掉。此外，材料间的公共祖先关系也会导致非连锁相关，可加入亲缘关系矩阵作为随机效应来矫正。数据准备表型数据：sample.tableQ矩阵：snp.3.Qvcf文件：all_snp.vcf参考脚本计算亲缘关系矩阵run_pipeline.pl-Xms512m-Xmx50g\#设置内存大小-importGuess./all_snp.vcf\#输入文件-KinshipPlugin-methodCent

目前临床医学GWAS研究多基于此类Theinfinitesimalmodel（详见：解释复杂疾病的四种主流模型CDCV/RAME/infinitesimal/Broad-sense-heritability），该模型认为复杂疾病的遗传变异是由于大量的，效应很弱（相对风险低于1.2）的变异引起。该模型解释了丢失的遗传力其实大部分是被隐藏了，由于大量对疾病有较弱效应的变异无法在检验中达到预设的显著阈值。目前很多GWAS关联检验方法都基于这一模型。一般情况下复杂性状都是多基因决定的，因此有多个位点都对表型有贡献。因此我们可以总结每个位点对表型的贡献，并用以计算和评估表型的变化。这就是PRS的作用。这

目前临床医学GWAS研究多基于此类Theinfinitesimalmodel（详见：解释复杂疾病的四种主流模型CDCV/RAME/infinitesimal/Broad-sense-heritability），该模型认为复杂疾病的遗传变异是由于大量的，效应很弱（相对风险低于1.2）的变异引起。该模型解释了丢失的遗传力其实大部分是被隐藏了，由于大量对疾病有较弱效应的变异无法在检验中达到预设的显著阈值。目前很多GWAS关联检验方法都基于这一模型。一般情况下复杂性状都是多基因决定的，因此有多个位点都对表型有贡献。因此我们可以总结每个位点对表型的贡献，并用以计算和评估表型的变化。这就是PRS的作用。这