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.ped412 re2.ped
SNP个数为：41013
$ wc -l re2.map41013 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$FIDiid = g012$IIDlibrary(sommer)# 整理格式，计算G矩阵setDF(g012)rownames(g012) = g012$IIDg012$IID = NULLg012$FID = NULLGmat = A.mat(g012-1)# 计算特征值和特征向量re = eigen(Gmat)# 计算解释百分比por = re$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
