大家好,我是邓飞。
基因型数据的聚类分析和主成分分析(PCA)是常用的数据降维和探索性数据分析方法。
K-均值聚类(K-means):根据预设的簇数(K),迭代地分配样本点到最近的簇中心,然后更新簇中心的位置。 层次聚类(Hierarchical Clustering):创建一棵树状的层次结构,样本逐步合并成簇或从簇中拆分。
特征值分解或奇异值分解:计算协方差矩阵并进行特征值分解,从中选择最大的特征值对应的特征向量作为主成分。
标准化数据(中心化和缩放)。 计算协方差矩阵。 计算协方差矩阵的特征值和特征向量。 根据特征值排序选择前几个特征向量作为主成分。
3,GWAS中的主成分分析(PCA)
用PCA作为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。
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。
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"))
4,基因型数据的聚类分析
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:
ggtree(clu)+geom_tiplab2(offset=0.3)
ggtree(clu,layout = "circular")+geom_tiplab2(offset=0.1)
推荐阅读:
想要更好的学习和交流,快来加入飞哥的知识星球,这是一个生物统计+数量遗传学+GWAS+GS的社区,在这里你可以向飞哥提问、帮你制定学习计划、跟着飞哥一起做实战项目,冲冲冲。点击这里加入吧:飞哥的学习圈子