A package for running MR In batches and in parallel quickly
由于个人课题安排,时间紧张以及盗版猖獗等原因,get_mr暂时停止更新 已失效的网盘链接已重新更新如下:https://pan.baidu.com/s/1yyYA4cVHKnyCce9YSPRA9A?pwd=ipvl 提取码:ipvl 万望大家理解,感谢陪伴
- 禁止一切倒卖我们代码的行为。我们承诺已开源代码永久性免费开源,公开可得
- 使用代码前,务必确认代码无误。我们没有利用这个R包发表文献,也没有进行倒卖,或授课。因此,我们无法确保我们的代码每一环,完全的,彻底的,100%的,没有错误。我们的代码本质上是分享经验,我们并没有因为这些代码获得任何利益,也没有利用它来当成文章发表,虽然我们会尽力,但我们无法保证彻底的完美。我们对所有因代码可能存在的错误导致的纠纷不负有任何责任。
- 我们不会参与任何商业行为和组织,我们没有与任何组织进行合作。任何倒卖行为都是侵权行为,非倒卖的利用行为属于第三方的行为,与我们无关,由第三方对本身内容负责。因代码错误导致的纠纷参考第2条声明。
- 我们分批开源不是利益因素导致的,我们没有将更新的版本的Get_MR进行售卖!我们本意是为了保护内部小伙伴的努力成果,优先使用我们最新开发的前沿功能,万望大家理解!
- 修复cyclemr函数中clean函数bug
- 补充说明,get_outcome函数修改了TwoSampleMR包原函数的默认值,将maf阈值调整为0.4,并不获取proxy(默认值为0.3与获取proxy)。由于这个函数主要是为了方便批量预实验(添加了错误防停止运行机制),因此建议正式做数据采用官方函数。
欢迎来到向量化与并行化的世界 本次更新就一个重大功能,就是并行化运行mr分析,以最优的效率批量跑大量的数据。家用电脑较新服务器基本可以实现2小时批量运行10000个因素,如果你有高性能服务器,恭喜你,30分钟以内就能跑完。
由于本次主要是思路与方法的分享,所以函数的帮助文档写的不多,主要还是看示例代码即可,应该还是很容易上手的。
公众号回复:“示例”即得示例代码 (不会还没关注我们公众号吧#doge,GetScience, 等你来!)
这个函数是用于执行循mr 分析的功能函数,可以在R语言中使用。该函数可以将数据分配到多个计算节点中运行,提高MR分析的效率。
直接在R语言中调用这个函数,如下所示:
# 调用cyclemr函数
mr_results <- cyclemr(dat = data, cl_num = 4, type = "list")
dat
: harmonise_data后的数据,可以是数据框或列表类型。默认是listcl_num
: 批量化线程数。type
: MR分析数据类型,可以是"list"或"data",默认为"list"。主要使用情况也是list
注: 如何判断自己的电脑能开启的最大线程数?
在任务管理器可看到
内核: 计算机核心数
逻辑处理器: 计算机总线程数
比如说很多处理器宣传是8核16线程,这个8就指的是内核,这个16指的是逻辑处理器。
本质上,16只是将每个核心一分为2,但是他们能干的活是一样的。所以一般设置为内核数即可满载CPU
当然这不能一概而论,因为每个CPU和厂家调度不一样,如果你发现使用内核数不能让CPU跑到100%,则尝试用逻辑处理器数
cyclemr
函数返回一个包含MR分析结果的数据框。
下面是使用这个函数的一个示例:
mr_results <- cyclemr(dat = data, cl_num = 16, type = "list")
在设置无误情况下,这是我手头有的所有电脑测试出的运行时间:
运行10000个数据。(ieu批量数据前10000个)除了服务器外,其他均使用Windows系统
CPU | 核数(运行时开的线程数) | 时间 |
---|---|---|
i9-12900H(拯救者2022 Y9000P 狂暴模式) | 14核20线程(14) | 1小时28分 |
r7-5700X(台式) | 8核16线程(16) | 1小时38分 |
r9-6800H (yoga2022 14S 性能模式) | 8核16线程(16) | 1小时54分 |
r5-3500X (台式) | 6核12线程 (12) | 3小时47分 |
r5-4600H (拯救者 2020 R7000 狂暴模式) | 6核12线程 (12) | 约4小时 |
双路 EPYC 7T83 (服务器 Linux) | 128核256线程(128) | 11分钟 |
欢迎各位补充自己手头的机器的运行时间数据,尤其M系列的苹果处理器数据
根据CHR和POS,从ensemble官网中获取rsID。
get_rsid(chr, pos, version = 'hg38')
chr
:染色体号。pos
:基因位置。version
:表示使用的基因组版本,默认为最新的版本('hg38'
)。也可选择hg19.- 注: GRCh37=hg19,GRCh38=hg38
该函数基于生物信息学数据库Ensembl SNP Mart来查询给定位置的相关信息。如果未指定基因组版本,则默认使用最新的版本(hg38)。该函数会根据指定的基因组版本选择正确的URL。如果您想查询其他版本的数据,可以将version
参数设置为相应版本的字符串。
参考:How to find rsID with biomaRt in R (bioconductor.org)
ds4 <- data.frame(CHR = c("8", "8", "8", "8", "8"),POS = c('101592213', '106973048', '108690829', '102569817', '108580746'))
res<-get_rsid(chr=ds4$CHR, pos=ds4$POS, version = 'hg38')
如果出现:
Error in curl::curl_fetch_memory(url, handle = handle) :
Timeout was reached: [grch37.ensembl.org:80] Operation timed out after 300013 milliseconds with 7909 bytes received
这并不是代码问题,而是网络超时了,ensemble的API经常拥堵,多试几次即可。当然也有可能请求的数据量太大,也可能会出现这个问题。
这两个函数是用于进行双样本MR(Two-sample Mendelian Randomization)分析的数据处理和提取过程的功能函数。
get_exposure
函数用于从给定的遗传仪器ID中提取出暴露(exposure)数据。get_outcome
函数用于从给定的遗传仪器ID和暴露数据中提取出结果(outcome)数据。
使用这两个函数前,需要先安装并加载TwoSampleMR包。
library(TwoSampleMR)
然后可以直接在R语言中调用这两个函数,如下所示:
# 调用get_exposure函数
exposure_data <- get_exposure(id = "ieu-a-1", pval = 5e-8, r2 = 0.001, kb = 10000)
# 调用get_outcome函数
outcome_data <- get_outcome(id = "ieu-a-1", expo = exposure_data)
get_exposure
函数的参数说明:id
: 遗传仪器ID。pval
: 提取暴露数据的P值阈值,默认为5e-08。r2
: 遗传仪器间的LD(linkage disequilibrium)值的阈值,默认为0.001。kb
: 遗传仪器的范围(以kb为单位),默认为10000。
get_outcome
函数的参数说明:id
: 遗传仪器ID。expo
: 暴露数据,TwoSampleMR包格式
获取OPEN GWAS数据库所有可用的ID。可以指定获取某个前缀的ID
使用这个函数前,需要先安装并加载TwoSampleMR包。然后可以直接在R语言中调用这个函数,如下所示:
# 调用get_ao函数
ao <- get_ao()## 不限定来源则返回所有id
ao <- get_ao(a = "finn")## 这样就会返回finn的所有可用id
a
: (可选)数据来源。
来自OPEN GWAS Browse the IEU OpenGWAS project (mrcieu.ac.uk) 5.1获取
(主要用于向量化)用于清洗outcome。将exposure中(list形式,也就是批量化的形式存在的exposure)不存在的SNP从outcome中剔除,大幅精简outcome,并大幅提升harmonise_data的速度。
实测清洗与不清洗outcome对比,速度相差一百倍以上。
直接在R语言中调用这个函数,如下所示:
# 调用clean_outcome_from_exposure函数
cleaned_outcome <- clean_outcome_from_exposure(expo = exposure_data, outcome = outcome_data)
expo
: 暴露数据,格式为list,TwoSampleMR包格式。比如get_exposure批量化获取下来的数据outcome
: 结果数据,TwoSampleMR包格式。
这个函数是用于清洗遗传关联数据集,使其符合特定的数据集要求的功能函数。
直接在R语言中调用这个函数,如下所示:
# 调用clean_GWAS函数
cleaned_GWAS_list <- clean_GWAS(list = GWAS_list, clean = c("bbj", "eqtl"))
list
:一个list。里面包含每个暴露的data.frame。 具体参考批量运行get_exposure后的结果clean
: 需要清洗的数据集名称,一个字符型向量类型。具体参考get_ao的附注。
clean_GWAS
函数返回一个清洗后的遗传关联数据集列表,符合特定数据集要求。
4.22:(重要) 修复PRESSO的bug,请使用PRESSO时务必更新代码!!
4.19:注意TwoSampleMR包有一列是mr_keep。请在运行我们get_mr包的所有分析函数前,如果需要使用TwoSampleMR包格式的数据,请将mr_keep状态为false的删掉(如果是没有harmonise之前,列名为mr_keep.exposure/mr_keep.outcome)。因为带有未通过质控的SNP,可能会带来未知的错误!可以参考以下代码
dat<-harmonise_data(exposure,outcome)
## 在运行完harmonise_data后可能会产生mr_keep状态为false的,不能用于MR分析的SNP,我们把他删掉:
dat<-subset(dat,mr_keep==T)
## 然后再继续使用各种功能
github:HaobinZhou/Get_MR: A package for running MR In batches and in parallel quickly (github.com)
如果觉得好用,可以点一下github项目上的小星星吗,这是我们继续开源的最大动力,谢谢!
R包以R脚本的形式提供,打开R包,全选运行,即得到所有function
-
进入githubHaobinZhou/Get_MR: A package for running MR In batches and in parallel quickly (github.com),下载代码zip
-
source("./Get_MR1.0.r") ## 填文件所在地址 ## 或者直接打开R文件,全选代码运行也可以!
-
本地clump,1000G处理好的MAF文件,MRlap依赖文件如何获取: GetScience公众号可免费获取已处理好文件,回复"依赖文件"即得链接。源文件请查看本文相应function介绍处
-
输入clump文件路径后总是报错:
#尤其注意这个文件名的书写,因为他们是二进制文件,不需要写后缀!只需要选取对应的人种即可,比如欧洲人: LD_file="S:/GWAS数据/本地LD依赖文件/EUR" ## 这个问题我回答好多遍啦!
-
第一次使用如何安装关联R包:Get_MR/1.0 at main · HaobinZhou/Get_MR (github.com)
- 如果不需要使用
MungeSumstats
包(相关函数包括:format_Mun
,get_chr_pos
,format_getmr
中source="ukb_nosnp"
) ,则只需要运行Get_MR1.0dependence.R - 如果需要使用
MungeSumstats
包,则还需运行Install_Reference_Genome.r 这个包括了hg19和hg38的基因组参考文件,总大小达到了5G!如果直接安装失败,在GetScience公众号回复"基因组参考"可得下载链接,并本地安装(推荐)
- 如果不需要使用
-
Bug反馈:代码仅由两人编写,难免出现错误。欢迎提交bug到GetScience公众号后台!
-
感谢所有Get_MR使用的R包作者,是因为他们我们才得以轻松实现这么多复杂的功能。他们都是开源的,因此我们承诺Get_MR将永久免费开源。这意味着使用者可以随意地修改,分发代码,但前提是遵守:
1.本代码不得用于任何商业或盈利目的
2.未经代码作者的同意,本代码不得用于任何形式的销售或商业交易
3.本代码可以在非商业性的科研、学术研究和个人使用的情况下免费使用
4.在使用本代码并重新打包并向公众发放时,请引用我们的公众号原文
用于计算两个数据框中SNP之间的遗传相关性(rg)。
LDSC_rg(expo, outcome, an, sample_prev = NA, population_prev = NA,
ld, wld, chr_filter = c(1:22), n_blocks = 200)
expo
: 一个数据框,其中包含一个遗传暴露指标的多个SNP和它们与结果变量的rg。outcome
: 一个数据框,其中包含一个结果变量的多个SNP和它们与遗传暴露指标的rg。an
: 它是一个字符串,目前还没有作用(因为我们提供的依赖文件只有eur的,其他人种还没更新)sample_prev
: 遗传暴露指标的样本流行病学先验患病率。默认为NA
。population_prev
: 遗传暴露指标的人群流行病学先验患病率。默认为NA
。ld
: 本地LD依赖文件wld
: 本地weighted LD 依赖文件chr_filter
: 一个整数向量,用于指定要使用的染色体。默认为包含1-22的整数向量。n_blocks
: 用于计算加权LD矩阵的块数。默认为200。
一个具有以下元素的列表:
rg
: 两个数据框中SNP之间的遗传相关性(rg)。pval
:rg
的双侧P值。N_snps
: 参与计算rg的SNP数量。
具体用法参照:mr_lap和LDSC_rg示例.r 可通过公众号GetScience回复示例获取文件
mrlap是一种矫正样本重叠后的双样本MR方法。可用于怀疑有样本重叠的数据中。
mr_lap(expo, outcome, ld, hm3, pval, r2, kb, MR_reverse = 1e-03, save_logfiles = F)
expo
: 数据框,为TwoSampleMR包格式的数据outcome
: 数据框,为TwoSampleMR包格式的数据ld
: 数据框,本地LD文件路径hm3
: 数据框,本地HapMap3文件路径pval
: 数值,MR 工具变量阈值。r2
: 数值,clump阈值kb
: 数值,clump阈值MR_reverse
: 数值,MR 的方向翻转阈值。save_logfiles
: 逻辑值,是否保存日志文件。
- res: mrlap 结果。
具体用法参照:mr_lap和LDSC_rg示例.r 可通过公众号GetScience回复示例获取文件
一键式执行cause。可批量化执行多暴露对一结局或一暴露对多结局
## 不并行化运行
cause_getmr(expo, outcome, LD_file, r2 = 0.001, kb = 10000, pval = 1e-05)
## 并行化运行
cl<-makeCluster(2) ## 填你想要的并行化的核数,核数越多,需要的运行内存越大
cause_getmr(expo, outcome, LD_file, r2 = 0.001, kb = 10000, pval = 1e-05,cl=cl)
expo
: TwoSampleMR的暴露格式的数据。outcome
: TwoSampleMR的暴露格式的数据。- 注意!expo和outcome,可以是data.frame的形式,也可以是一个list(如list[[1:n]]里都包含数据的data.frame)。但不能outcome和expo同时都是list。当expo或outcome,其中一个为list的情况下,是批量运行一对一的cause。比如我读取了10个暴露和1个结局,将10个暴露lapply读取进来就会是一个list。这时候
cause_cyclemr
自动运行每个暴露对结局的cause,也就是批量化执行.
## 比如我这里读取3个暴露文件和1和结局文件
id<-c('a.gz','b.gz','c.gz')
expo<-lapply(id,FUN=fread)
outcome<-fread("outcome.gz")
cl=makeCluster(4)## 内存不够的也可以不并行化运行
res<-cause_getmr(expo, outcome, LD_file, r2 = 0.001, kb = 10000, pval = 1e-05,cl=cl)
stopCluster(cl)
## 这样返回的结果就是3个暴露分别对一个结局的cause结果。
LD_file
: 包含LD信息的PLINK文件名。因为需要大批量地clump,在线clump很容易报错,因此我们采用本地clump。需要本地参考文件。下载地址: https://fileserve.mrcieu.ac.uk/ld/1kg.v3.tgz 。 或关注公众号GetScience直接获取。
#尤其注意这个文件名的书写,因为他们是二进制文件,不需要写后缀!只需要选取对应的人种即可,比如欧洲人:
LD_file="S:/GWAS数据/本地LD依赖文件/EUR"
## 这个问题我回答好多遍啦!
r2
: LD的R平方阈值。默认值为0.001。kb
: LD的距离阈值(以kb为单位)。默认值为10000。pval
: 用于LD clumping的p值阈值。默认值为1e-05。cl
: 并行计算的cluster对象。默认值为NULL。在外部使用cl=makeCluster(n),n为你想并行化的核数。注意核数太多不要爆内存了。
cause_cyclemr
函数返回cause结果
RAPS_getmr
函数执行基于RAPS的MR并返回结果,并画图
expo<-fread('a.gz')
outcome<-fread('b.gz')
expo<-format_data(...)
outcome<-format_data(...) ## format_data是TwoSampleMR包的函数,格式化。
expo<-pblapply(expo,pval=1,kb=10000,r2=0.001,LD_file=LD_file,FUN=clean_expo) ## 数据很大,建议本地clump,在线很容易报错
dat<-harmonise(expo,outcome)
res<-RAPS_getmr(dat, dir_figure)
dat
: TwoSampleMR包 harmonise_data后输出的数据dir_figure
: 保存结果图形的目录。
RAPS_getmr
函数返回一个包含基于RAPS的MR结果的数据框。
执行MR-PRESSO
mr_Presso(dat, num = 10000)
dat
: 数据框,包含基因表达和疾病风险关联分析的数据。num
: 整数,模拟数量。
mr_presso_res
: MR-PRESSO 结果。
dat<-harmonise_data(exposure,outcome) ## TwoSampleMR包的harmonise_data函数输出的结果
mr_presso_res <- mr_Presso(dat, num = 10000)
提取 MR-PRESSO 结果中的主要结果
mr_presso_pval(mr_presso_res)
mr_presso_res
: MR-PRESSO 结果。
- mr_presso_main: MR-PRESSO 主要结果。
mr_presso_main <- mr_presso_pval(mr_presso_res) ##mr_Presso输出的结果
根据 MR-PRESSO 分析结果,将离群值剔除,返回剔除离群值后的dat(我一般称为dat_aj, 也就是 adjusted_data), 可用于后续的IVW等分析。
mr_presso_snp(mr_presso_res, mr_presso_main, dat, type = "list")
mr_presso_res
: MR-PRESSO 结果。mr_presso_main
: MR-PRESSO 主要结果。dat
: 数据框或数据框列表,包含基因表达和疾病风险关联分析的数据。type
: 字符串,输入数据类型。可选值为 "list" 或 "data"。如果是列表形式的(批量化运行后的结果),就是list
,如果是普通数据框就是data
过滤后的数据框或数据框列表。
dat<-harmonise_data(exposure,outcome) ## TwoSampleMR包的harmonise_data函数输出的结果
mr_presso_res <- mr_Presso(dat, num = 10000)
mr_presso_main <- mr_presso_pval(mr_presso_res)
data_aj <- mr_presso_snp(mr_presso_res, mr_presso_main, dat, type = "data")
## 用矫正的data可以用于后续的分析,例如重新计算mr
res_aj<-mr(data_aj)
运用MungeSumstats包标准化GWAS 摘要统计数据(包括hg19和hg38转换)。该函数可以将来自Finngen R8和其他来源的 GWAS 摘要统计数据文件清洗为标准的GWAS文件,并可将基因组位置从 ref_genome
转换到 convert_ref_genome
。
format_Mun(file, source = "finn_r8", save_path = NULL, lift = F, ref_genome = "hg38", convert_ref_genome = "hg19")
file
:字符向量或数据框,表示要格式化的 GWAS 摘要统计数据文件或数据框。如果输入的是字符向量,则表示文件的路径。如果输入的是数据框,则表示要格式化的数据框。source
:字符向量,表示输入文件的来源。默认为"finn_r8"
。save_path
:字符向量,表示格式化文件要保存的路径。默认为NULL
。lift
:逻辑值,表示是否将基因组位置从ref_genome
转换到convert_ref_genome
。默认为F
。ref_genome
:字符向量,表示 GWAS 摘要统计数据文件使用的参考基因组。默认为"hg38"
。convert_ref_genome
:字符向量,表示要将基因组位置转换到的参考基因组。默认为"hg19"
。
# 从文件中格式化数据
format_Mun("my_sumstats.txt", save_path = "~/formatted_sumstats", lift = F, ref_genome = "hg38")
# 从数据框中格式化数据
my_sumstats_df <- read.csv("my_sumstats.csv")
format_Mun(my_sumstats_df, save_path = "~/formatted_sumstats", lift = F, ref_genome = "hg38")
#格式化数据并升降版本
format_Mun(my_sumstats_df, save_path = "~/formatted_sumstats", lift = T, ref_genome = "hg38", convert_ref_genome = "hg19") ## 从hg38转为hg19
该函数返回格式化的数据框并将其写入磁盘文件。save_path
指定保存的位置
预设的快捷格式化 GWAS 摘要统计数据,这个函数用于将来自多个数据来源的 GWAS 摘要统计数据转换为TwoSampleMR 包所需的格式。
format_getmr(data, type = "exposure", source = "finn_r8")
data
:数据框,表示要格式化的 GWAS 摘要统计数据。type
:字符向量,表示数据类型,可以是 "exposure" 或 "outcome"。默认为 "exposure"。source
:字符向量,表示数据来源。默认为 "finn_r8"。目前支持的来源有:- "finn_r8": Data download - FinnGen Documentation (gitbook.io)
- "ukb_nosnp": 尼尔数据库(UKB),因为没有rsid,因此需要匹配(已一键完成)。www.nealelab.is/uk-biobank
- "Mun": 来自MungeSumstats包格式化后的数据
- "covid": COVID19-hg GWAS meta-analyses round 7 (covid19hg.org)
- "outcome" : 已经格式化为TwoSampleMR包的“outcome”格式
- "exposure":已经格式化为TwoSampleMR包的“exposure”格式
- "fast_ukb": fastGWA | Yang Lab (westlake.edu.cn)
- "bac": 2021年肠菌原文数据 Large-scale association analyses identify host factors influencing human gut microbiome composition - PMC (nih.gov)
my_data <- fread("my_data.gz")
format_getmr(my_data, type = "finn_r8", source = "Mun")
该函数返回格式化的数据框。
这个函数用于格式化 GWAS 摘要统计数据中的表型信息,使其符合命名规范,易于保存为文件(例如批量保存计算R2和F值后的文件)。
主要是为了解决,在Windows系统下,保存文件的名称中不能包含特殊字符,例如:
,|
。
format_trait(list, short = FALSE, short_num = "40")
list
:列表,表示要格式化的 GWAS 摘要统计数据列表。short
:逻辑值,表示是否要将表型名称缩短。默认为 FALSE。short_num
:字符向量,表示缩短表型名称的长度。默认为 "40"。
my_list <- list(data1, data2, data3)
format_trait(my_list, short = TRUE, short_num = "20")
该函数返回格式化后的 GWAS 摘要统计数据列表。
这个函数用于从 VCF 文件中读取摘要统计数据。并保存为压缩文件。默认是.gz为后缀的压缩文件。方便下次读取以及节省空间。
这是因为读取VCF文件将消耗大量电脑资源。我们建议批量读取VCF文件后储存为易于读取的压缩包形式。下次读取方便快捷。因此本函数不会直接返回数据框,而是保存为文件
read_vcf_getmr(file_name, nThread = 8, type = ".gz")
file_name
:字符向量,表示要读取的 VCF 文件名。nThread
:整数,表示要使用的线程数。默认为 8。type
:字符向量,表示输出文件类型。默认为 ".gz"。
my_file <- "my_file.vcf"
read_vcf_getmr(my_file, nThread = 4, type = ".gz")
该函数没有返回值,而是将读取的数据写入文件。
这个函数用于从文件中读取 GWAS 摘要统计数据。并返回经过P值筛选的文件。一般用于批量读取大量文件时。比如我要批量读取100个暴露数据,每个数据占用运行内存2G。如果100个,则200G,不是一般电脑可以承受。因此每次读取将直接筛选p值,压缩大小
read_easy(file_name, pval = 5e-08)
file_name
:字符向量,表示要读取的文件名。pval
:数字,表示筛选摘要统计数据的显著性水平。默认为 5e-08。
my_file <- "my_file.csv"
read_easy(my_file, pval = 1e-06)
该函数返回摘要统计数据的数据框。
从1000G的MAF文件中提取EAF并将其与输入数据匹配。
get_eaf_from_1000G(dat, path, type = "exposure")
dat
:一个数据框,为TwoSampleMR包格式的数据path
:一个字符串,表示包含1000G MAF文件fileFrequency.frq
的目录路径。type
:一个字符串,表示数据是“exposure”(暴露因素)还是“outcome”(结果),默认为“exposure”。
一个数据框,其中包含输入数据的EAF和类型信息(原始、修正或错误)。
该函数将读取1000G MAF文件,然后将其与输入数据进行匹配。对于每个SNP,该函数将检查输入数据中的效应等位基因与1000G中的效应等位基因是否匹配。
如果不匹配,则将EAF设置为NA并将其类型设置为“error”。对于匹配的SNP,EAF将设置为1000G MAF中的值(如果输入数据的效应等位基因是minor allele),或1-MAF(如果输入数据的效应等位基因是major allele),并将其类型设置为“raw”或“corrected”。
如果type
参数设置为“outcome”,则函数将使用输入数据中的结果等位基因来查找EAF。
在处理完所有SNP后,该函数将输出一些有关匹配成功、失败以及NA的信息,以及类型信息的说明。
以下是使用该函数的示例:
dat <- get_eaf_from_1000G(dat, "S:/GWAS数据/本地LD依赖文件", type = "exposure")
# 检查输出
head(dat)
fileFrequency.frq
为PLINK1.9输出的,根据1000G数据提取的MAF数据
1000G参考文件下载地址:https://fileserve.mrcieu.ac.uk/ld/1kg.v3.tgz
可自行提取MAF数据。或从GetScience
公众号中获取已经提取好的fileFrequency.frq
文件
该函数利用MungeSumstats包匹配rsid的染色体位置。
get_chr_pos(dat, type = "exposure")
dat
:一个数据框,TwoSampleMR格式type
:一个字符串,表示要获取SNP染色体位置和参考序列的SNP类型。可选值为"exposure"或"outcome"。
一个数据框,其中包含输入数据框的信息,以及新列chr.exposure
或chr.outcome
,表示每个SNP的染色体编号。新列pos.exposure
或pos.outcome
表示每个SNP在染色体上的位置。
该函数使用format_sumstats
和format_data
函数从1000G项目中获取SNP的染色体位置和参考序列信息。
以下示例演示如何使用get_chr_pos
函数:
# 获取曝露变量SNP的染色体位置和参考序列
exposure_chr_pos <- get_chr_pos(dat, type = "exposure")
# 获取结果变量SNP的染色体位置和参考序列
outcome_chr_pos <- get_chr_pos(dat, type = "outcome")
get_f
函数计算样本的F统计量并返回F值大于指定阈值的样本数据。返回的数据包括每个SNP的R2和F值
get_f(dat, F_value = 10)
dat
: TwoSampleMR格式,一定要包含eaf.exposure
,beta.exposure
,se.exposure
, 和samplesize.exposure
的数据框。F_value
: 指定的F统计量的阈值,F值大于该阈值的样本将被返回。默认值为10。
注,本计算公式为
公式参考文献:
mr_dircreate_base
函数创建基本的目录结构以保存MR分析结果和图形。
mr_dircreate_base(root_dir, project_name, date = NULL)
root_dir
: 保存结果文件夹的根目录。project_name
: 项目名称,用于在根目录下创建一个以此命名的子目录。date
: 日期(可选),用于在子目录名称中添加日期以区分不同日期的结果文件夹。默认为NULL
,表示不添加日期。
mr_dircreate_base
函数返回一个包含结果文件夹路径的列表。
# 创建结果文件夹
res_dir <- mr_dircreate_base("path/to/root/dir", "project_name", date = "20220327")
# 打印结果文件夹路径
print(res_dir)
root_dir
参数指定保存结果文件夹的根目录。project_name
参数指定项目名称,用于在根目录下创建一个以此命名的子目录。date
参数(可选)用于在子目录名称中添加日期以区分不同日期的结果文件夹。默认为NULL
,表示不添加日期。mr_dircreate_base
函数将在根目录下创建一个名为project_name
的子目录,并在该子目录下创建4个子目录,分别命名为1.figure
、2.table
、3.figure of sig res
和4.snp with Fval
。函数返回一个包含结果文件夹路径的列表。
用于快捷筛选工具变量的函数,可执行P值筛选,EAF值筛选,clump。
## 完整可选参数
clean_expo(expo, pval, low_af = 0.5, high_af = 0.5, clump = TRUE, kb = 10000, r2 = 0.001, LD_file = NULL, af_filter = FALSE)
##不提供LD_file则自动在线clump
clean_expo(expo, pval, clump = TRUE, kb = 10000, r2 = 0.001)
##提供则本地clump
clean_expo(expo, pval, clump = TRUE, kb = 10000, r2 = 0.001,LD_file=LD_file)
expo
: 一个数据框,其中包含遗传暴露指标的SNP名称、beta值、标准误、p值和频率。pval
: 用于筛选遗传暴露指标的p值阈值。p值小于此阈值的SNP将被保留。low_af
: 频率过滤的下限值。默认为0.5。如果af_filter
为TRUE,则只有遗传暴露指标的频率低于此值或高于high_af
时,才会被保留。high_af
: 频率过滤的上限值。默认为0.5。clump
: 一个逻辑值,指示是否使用PLINK进行SNP聚类。默认为TRUE。kb
: 聚类的窗口大小(以kb为单位)。默认为10000。r2
: LD阈值。默认为0.001。LD_file
: PLINK二进制文件的路径。如果未提供,则默认在线clump。af_filter
: 一个逻辑值,指示是否启用频率过滤。默认为FALSE。
用于清理列表中元素行数的R包。常用于批量化质量控制。
clean_list(list, nrow = 10)
list
: 一个列表,其中包含多个元素。nrow
: 用于筛选元素的行数阈值。如果元素的行数小于此阈值,则该元素将被删除。默认为10。
一个列表,其中仅包含行数大于 nrow
的元素。
# 创建一个包含5个数据框的列表,每个数据框包含1-5行
set.seed(123)
lst <- list(data.frame(a = rnorm(1), b = rnorm(1)),
data.frame(a = rnorm(2), b = rnorm(2)),
data.frame(a = rnorm(3), b = rnorm(3)),
data.frame(a = rnorm(4), b = rnorm(4)),
data.frame(a = rnorm(5), b = rnorm(5)))
# 运行 clean_list 函数,将阈值设置为2
cleaned_lst <- clean_list(lst, nrow = 3)
# 查看清理后的列表
cleaned_lst
用于从一个数据框中清理具有显著的MR反向因果效应P值的IV。
clean_IV_from_outsig(dat, MR_reverse = 1e-03)
dat
: 一个数据框,其中包含每个IV和其与结果变量之间的MR反向因果效应的P值。MR_reverse
: 用于筛选IV的MR反向因果效应P值阈值。具有P值小于此阈值的IV将被保留。默认为1e-03。
一个数据框,其中包含P值大于 MR_reverse
值的IV(也就是反向不显著的IVs)。
-
代码作者:广州医科大学 第一临床学院 周浩彬 第二临床学院 谢治鑫
-
帮助文档作者: 周浩彬
-
时间:2023/5/1
-
适配版本: Get_MR2.0
-
开源许可证:GPL3.0
-
公众号: GetScience
-
致谢:感谢广州医科大学 第六临床学院 黄覃耀和 南山学院 林子凯在孟德尔随机化概念,代码思路等提供的重要的建设性建议。