Advertisement

UK Biobank GWAS: 2017年数据发布后的质量控制、代码及GWAS结果概要

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:None


简介:
本研究对UK Biobank 2017年的数据进行了严格的质控,并公布了相关代码和大规模基因组关联分析(GWAS)的结果,为遗传学研究提供了宝贵的资源。 V3摘要统计信息更新基于上一轮GWAS(N = 337199),通过重新发布UK Biobank基因型估算(我们称其为impulated-v3)。此次更新包括增加表型数量,采用定制策展的表型,并且更自由地包含样本。此外,还包括更多的SNP和改进了我们的关联模型。 最大的变化是对于所有表型,我们都运行了仅雌性、雄性和完整的GWAS分析。上一轮GWAS的信息和脚本可以在子目录中找到。我们使用的Hail版本的存储库也进行了更新,并且Rapid GWAS摘要统计信息的变更记录将在此处进行更新或下载清单:2021年1月。 目前,我们的DropBox账户遇到了一些问题并正在解决中。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • UK Biobank GWAS: 2017GWAS
    优质
    本研究对UK Biobank 2017年的数据进行了严格的质控,并公布了相关代码和大规模基因组关联分析(GWAS)的结果,为遗传学研究提供了宝贵的资源。 V3摘要统计信息更新基于上一轮GWAS(N = 337199),通过重新发布UK Biobank基因型估算(我们称其为impulated-v3)。此次更新包括增加表型数量,采用定制策展的表型,并且更自由地包含样本。此外,还包括更多的SNP和改进了我们的关联模型。 最大的变化是对于所有表型,我们都运行了仅雌性、雄性和完整的GWAS分析。上一轮GWAS的信息和脚本可以在子目录中找到。我们使用的Hail版本的存储库也进行了更新,并且Rapid GWAS摘要统计信息的变更记录将在此处进行更新或下载清单:2021年1月。 目前,我们的DropBox账户遇到了一些问题并正在解决中。
  • UK生物银行中GWAS下载地址
    优质
    本资源提供英国生物样本库(UK Biobank)中GWAS相关数据的下载链接,涵盖遗传变异与疾病关联研究所需信息。 UK biobank中的GWAS数据可以通过相关平台进行下载。
  • GWAS:一些实用资源
    优质
    本文提供了一系列用于遗传关联分析(GWAS)研究的实用代码和工具资源,旨在帮助科研人员更高效地开展基因与疾病关联的研究工作。 GWAS 的一些(希望有用)代码。 主要设计用于与 OXSTATGEN 套件配合使用。 要求:python、numpy、scipy 文件在一些 PLINK 二进制数据上计算实现的相关矩阵。 计算相关矩阵的详细信息请参阅方法部分。 内存文件使用的(例如)中描述的方法执行全基因组关联测试: 重写上述代码以适应具体需求,可以使用以下命令: usage: python lmem.py [-h] [-genfile genfile] [-header nrows] [-covariates covariates] [-weights weights] [-linebuffer linebuffer] [--uncorrected uncorrected] 这些工具和方法旨在简化全基因组关联研究中的数据处理流程,提高分析效率。
  • GWAM:合eQTL和GWAS分析方法
    优质
    GWAM是一种创新的生物信息学工具,通过整合基因表达数量性状位点(eQTL)与全基因组关联研究(GWAS)的数据,旨在更准确地识别疾病相关基因变异及其机制。 在IT领域内,GWAS(全基因组关联研究)与eQTL(表达定量性状位点分析)是遗传学研究中的两种重要方法。GWAS主要用于识别特定表型相关的遗传变异,比如疾病或生理特征;而eQTL则关注于由遗传因素影响的基因表达模式。 一个名为gwam的R语言包试图将这两种方法结合在一起,以提供更加全面的理解关于遗传效应如何同时作用在基因表达和表型上。GWAS是一种统计技术,通过比较病例与对照组之间的遗传变异来寻找可能相关的疾病或性状相关联的基因位点。这种方法通常使用大规模的基因分型数据,并且检测单核苷酸多态性(SNP)以发现关联。 eQTL分析则关注于理解哪些遗传变化控制了不同个体间基因表达水平的变化,通过对比大量的遗传变异与对应的转录组数据来寻找影响特定基因表达量的关键位点。这种类型的分析能帮助我们更好地了解疾病机制、基因的功能以及复杂的调控网络结构。 gwam项目旨在提供一个集成的工具以支持研究人员探索这些关联并发现潜在的因果关系,并且可能揭示出更加复杂和微妙的遗传疾病模式,从而促进遗传学及生物医学的研究进展。在R环境中使用这个包时,它可能会包括数据处理、统计模型构建以及结果可视化的功能。 gwam项目压缩包中通常会包含以下内容: 1. 源代码:用于实现GWAS与eQTL分析的.R文件或.Rmd文件。 2. 示例数据集:模拟的数据或者真实的实验数据以展示如何使用该R包进行数据分析。 3. 文档说明:包括安装指南以及任何必要的依赖项信息。 4. 测试脚本:确保代码功能正确且稳定运行。 利用gwam,科研工作者可以更有效地整合遗传变异和基因表达的信息,发现潜在的因果关系,并进一步推进对复杂疾病模式的理解。这不仅提高了研究效率,还加深了我们对于基因与环境相互作用机制的认识。在实际应用中,用户需要具备一定的R编程基础以便于理解和使用这个工具。
  • PlinkGWAS分析处理工作流.docx
    优质
    本文档介绍了使用Plink工具进行全基因组关联研究(GWAS)的数据分析流程,涵盖了从数据准备到结果解释的各个步骤。 本段落介绍了数据管理中的一个重要步骤——生成二进制文件集。通过应用样本/变异过滤器和其他操作,可以使用make-bed命令创建一个新的PLINK 1二进制文件集。例如,执行plink --file text_fileset --maf 0.05 --make-bed --out binary_fileset即可完成此操作。此外,本段落还提供了plink的GWAS数据处理作业流程文档。
  • GWAS-VCF性能分析:VCF与纯文本格式在存储GWAS统计信息上对比
    优质
    本研究通过对比VCF和纯文本格式,评估其在存储遗传关联研究(GWAS)摘要统计信息中的效能,旨在优化数据管理和分析效率。 VCF与纯文本GWAS存储格式以纯文本/表格文本和VCF查询GWAS摘要统计信息的运行时性能引文:Lyon, M.S., Andrews, S.J., Elsworth, B. et al. The variant call format provides efficient and robust storage of GWAS summary statistics. Genome Biol 22, 32 (2021). 要查看比较结果,请在网络浏览器中打开html文件。阴谋工作流程将GWAS转换为GWAS-VCF准备查询对数据进行二次采样,准备多样本GWAS-VCF,并记录预期的输出结果,以便与命令行工具进行比较。 RSID查询性能: rsID上的性能查询 单样本-2.5M 单
  • 2003-2021公司治理指水平分析【
    优质
    本研究深入分析了2003至2021年间公司治理指数及其质量变化趋势,提供详尽的数据结果和实用的代码资源。 公司治理是一个复杂且抽象的概念,涵盖了股权结构、薪酬激励等多个方面,在实证研究中难以通过单一指标进行衡量。然而,许多学者采用构建综合评价指数的方法来量化公司的治理质量,并利用这些指数来进行进一步的分析。该指数值越高,则表明公司在治理体系上的表现越佳。 为了建立这一评价体系,我们参考了周宏等(2018)的研究方法,选取八个影响公司治理的关键变量并运用主成分分析法构建了一个综合性的指标——即公司治理质量综合评价指数(CorpGov)。该研究发表在《会计研究》期刊上,并提供了详细的理论和实证依据。 3. 数据介绍 本数据集涵盖了2003年至2021年间的样本,包含以下内容: - 原始数据:股权结构文件、治理综合信息文件以及股权集中度文件。 - 计算结果:公司治理质量综合评价指数(以.dta和.xlsx两种格式提供)可以直接应用于后续的实证研究中。 - 过程代码:过程代码.do,运行后将生成上述提到的结果文件。
  • CHNS整理与各览-最新.zip
    优质
    本资料包提供中国社会经济各个领域的关键数据变量整理及历年数据概览,便于用户快速了解和分析各年度的数据变化趋势。最新的更新包括了最近年份的详细统计信息。 1. 资源特点 - 全新整理:今年的精心力作,经过手工细致打磨。 - 权威数据:所有数据均来自权威渠道,确保准确可靠。 - 放心引用:杜绝任何形式的数据造假,品质有保证。 2. 适用人群 在校专科生、本科生、研究生以及大学教师和学术科研工作者均可使用。 3. 适用专业 经济学、地理学、城市规划、公共政策、社会学及商业管理与工商管理等领域。