经过前两期的讲解，我们已经了解进行GWAS分析所需的数据类型和质控方法，现在进入我们的核心主题：关联分析。GWAS分析通常会构建回归模型，以检验标记与表型之间的关联性。具体来说：① 零假设（H0）是标记的回归系数为零，意味着标记（即SNP）对表型没有影响；② 备择假设（H1）则是标记的回归系数不为零，表示标记（即SNP）与表型存在关联。

在第一期中，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。在进行关联分析前，我们需要根据不同类型的表型选择合适的方法，并通过校正p值来减少假阳性的发生。

1. 连续性状

连续性状指的是在群体中呈现连续分布的特征，例如身高、体重和血压等。可用的方法包括T检验（Student's test）和线性回归（linear regression）。具体操作如下：

• 对于assoc，采用卡方检验与优势比，不允许添加协变量；
• 对于linear，线性回归方法允许协变量，使用时需添加--covar参数。

例如，进行关联分析时，可以使用以下命令：plink --bfile test --assoc --out result_assoc 或者 plink --bfile test --linear --covar cov_file --out result_linear。

2. 阈值性状

阈值性状是指表型值数据分为两类（如1和2），其中0和-9表示缺失值。常见的比较对象为对照组（1）与实验组（2）。可以选择的方法有卡方检验和逻辑回归（X²分析和logistic分析）。具体操作如下：

• 对于assoc，使用卡方检验与优势比，不允许添加协变量；
• 对于logistic，逻辑回归允许协变量，需使用--covar参数。

例如，关联分析的命令为：plink --bfile test --assoc --out result_assoc 或者 plink --bfile test --logistic --covar cov_file --out result_logistic。

3. 分级性状

分级性状是指可通过人为观察进行分类的离散变量。需要注意的是，分级性状的定义依赖于我们的经验处理。比如，植物的抗病性可依据叶片病斑的面积分类，也可以设定阈值将其定义为分级性状（如高、中、低）。可以使用卡方检验和逻辑回归进行分析，具体如下：

• 对于assoc，使用卡方检验与优势比，不允许添加协变量；
• 对于logistic，逻辑回归允许协变量，需使用--covar参数。

进行关联分析的命令示例如下：plink --bfile test --assoc --out result_assoc 或者 plink --bfile test --logistic --covar cov_file --out result_logistic。

在本次关联分析中，我们终于获得了显著性结果。此时，可以对结果表进行p值筛选，从而过滤出假阳性，同时也能进行可视化展示，例如Q-Q图和曼哈顿图。别急，我们将在下一期讲解如何进行可视化分析，敬请期待。

总之，随着对生物医疗研究的深入探索，尊龙凯时将不断为您提供最前沿的知识和技术支持，让我们共同迈向更健康的未来。