zl程序教程

您现在的位置是:首页 >  数据库

当前栏目

基因型数据绘制PCA图和聚类分析图

2023-03-20 14:55:36 时间

用PCA做为GWAS的协变量,相当于将品种结构考虑进去。它类似将不同品种作为协变量,或者将群体结构矩阵Q作为协变量。

下面看一下利用基因型SNP数据进行PCA计算,以及可视化的分析。

很多软件可以分析PCA,这里介绍一下使用plink软件和R语言,进行PCA分析,并且使用ggplot2绘制2D和3D的PCA图。

绘制后的图如下:

2-D PCA图:

图片解释,将每个品种用不同的颜色表示,同时绘制置信区间圆圈,X坐标是PC1,解释24.9%的变异,Y坐标是PC2,解释10.61%的变异。可以看到,三个品种在PCA图里面分的比较开,C品种的有两个A和B的点,应该是异常数据。

3-D PCA图:

图片解释,将每个品种用不同的颜色表示,X坐标是PC1,解释24.9%的变异,Y坐标是PC2,解释10.61%的变异,Z坐标是PC3,解释1.02%的变异。可以看到,三个品种在PCA图里面分的比较开,C品种的有两个A和B的点,应该是异常数据。

基因型数据:

共有3个品种A,B,C,共有412个个体。其中:

  • A品种有200个体
  • B品种有100个体
  • C品种有112个体
$ wc -l re2.ped
412 re2.ped

SNP个数为:41013

$ wc -l re2.map
41013 re2.map

计算思路:

1,对数据进行清洗,将其转化为0,1,2的形式

2,计算G矩阵

3,计算PCA的特征向量和特征值

4,根据特征值计算解释百分比

5,根据特征向量和品种标签,进行PCA的绘制

绘制代码如下:

首先,使用plink命令,将基因型数据转化为012的raw格式:

plink --file re2 --recodeA

结果生成plink.raw文件。

然后使用R语言,计算PCA,并绘制PCA图。

读取数据
m012 = fread("plink.raw")

# 保留FID,IID和基因型数据
g012 = m012[,-c(3:6)]
dim(g012)
fid = g012$FID
iid = g012$IID
library(sommer)

# 整理格式,计算G矩阵
setDF(g012)
rownames(g012) = g012$IID
g012$IID = NULL
g012$FID = NULL
Gmat = A.mat(g012-1)

# 计算特征值和特征向量
re = eigen(Gmat)

# 计算解释百分比
por = re$values/sum(re$values)

# 整理格式
pca_re1 = re$vectors[,1:3]
pca_re2 = data.frame(pca_re1,Ind = iid)
pca_re2$Gen = fid

# 把PCA1,PC2,PC2的j解释百分比,命名为相应的轴
xlab = paste0("PC1(",round(por[1]*100,2),"%)")
ylab = paste0("PC2(",round(por[2]*100,2),"%)")
zlab = paste0("PC3(",round(por[3]*100,2),"%)")

# 绘制2-D PCA图
ggplot(pca_re2, aes(x=X1, y=X2,color=Gen))  + geom_point(size=2) +
  # stat_ellipse(level = 0.95, size = 1) + 
  stat_ellipse(aes(fill=Gen),
               type ="norm", geom ="polygon",alpha=0.2,color=NA)+
  geom_hline(yintercept = 0)  + # 添加x坐标
  geom_vline(xintercept = 0) + # 添加y坐标
  labs(x = xlab,y = ylab,color="")+
  guides(fill=F)+
  theme_bw() # 主题

# 绘制3-D PCA图
library(scatterplot3d)
pca_re2 = pca_re2 %>% mutate(colour = case_when(
  Gen == "A" ~ "red",
  Gen == "B" ~ "green",
  Gen == "C" ~ "blue",
))

scatterplot3d(pca_re2[,1:3],color=pca_re2$colour,
              pch = 16,angle=30,
              box=T,type="p",
              xlab = xlab, ylab = ylab, zlab = zlab,main = "3D PCA Plot",
              lty.hide=2,lty.grid = 2)

legend("topright",c("A","B","C"),fill=c('red','green',"blue"))

聚类分析思路:

1,计算个体的亲缘关系矩阵G矩阵

2,因为数据太多,随机选择100个,用于聚类

n = sample(1:384,100)
Gmat1 = Gmat[n,n]
library(ggtree)
library(amap)
clu <- hclusterpar(Gmat1)

默认的作图,太挤。

ggtree(clu)+geom_tiplab2(offset=0.3)

画圈图:

ggtree(clu,layout = "circular")+geom_tiplab2(offset=0.1)

可以看到,A,B,C三个品种,可以分开,分得很开。

如果进行GWAS分析,PCA加进去就很有必要!