点击“AladdinEdu你的AI学习实践工作坊”注册即送-H卡级别算力沉浸式云原生集成开发环境80G大显存多卡并行按量弹性计费教育用户更享超低价。摘要全基因组关联研究GWAS是解析复杂性状与疾病遗传基础的关键工具。本文系统阐述GWAS的核心原理包括连锁不平衡、病例对照设计及群体分层控制深入解析统计分析方法从单变异关联分析到多重检验校正、基因水平与通路富集分析详细介绍GWAS Catalog数据库的结构、查询与数据应用方法并探讨GWAS的局限性如缺失遗传力、精细定位难题及未来发展方向跨种族荟萃分析、罕见变异研究、多基因风险评分。通过理论结合实例为研究者提供开展GWAS及解读结果的完整框架。关键词全基因组关联研究GWAS统计遗传学群体分层多重检验校正GWAS Catalog1. 引言全基因组关联研究Genome-Wide Association Study, GWAS通过检测全基因组范围内数百万个单核苷酸多态性SNP与目标性状的关联寻找与疾病或表型相关的遗传变异。自2005年第一篇GWAS论文发表Science年龄相关性黄斑变性以来GWAS已成为复杂疾病遗传学研究的核心技术累计发表超过6000项研究发现了数万个与人类疾病和性状相关的遗传位点。GWAS的成功得益于三个要素高通量基因分型芯片的普及、大规模样本队列的建立以及统计遗传学方法的成熟。本文将从原理、统计方法、数据应用和挑战四个维度全面解析GWAS的完整知识体系。2. GWAS基本原理2.1 连锁不平衡GWAS的核心是连锁不平衡Linkage Disequilibrium, LD——指基因组中相邻位点的等位基因非随机关联的现象。由于LD的存在直接测序所有SNP并不必要只需检测一部分标签SNPtag SNP即可覆盖基因组中大部分常见变异。LD度量常用r²相关系数和D’标准化差异表示。r²0.8通常认为两个位点高度关联。LD图谱不同人群的LD模式存在差异影响GWAS的设计和结果解读。2.2 基因分型与填充现代GWAS使用高通量SNP芯片如Illumina Infinium系列检测50万至500万个SNP。为进一步增加覆盖密度常使用基因型填充imputation技术依据参考面板如1000 Genomes、TOPMed推断未直接分型的SNP基因型使分析位点数达到数千万。2.3 研究设计病例-对照设计最常用比较病例组与对照组等位基因频率差异。定量性状设计分析SNP与连续型表型如身高、血压的关联。队列设计基于前瞻性队列结合纵向随访数据。家系设计利用家系结构控制群体分层。2.4 群体分层群体分层Population Stratification指人群因祖先来源不同导致等位基因频率差异可能引起虚假关联。例如某SNP频率在中国北方和南方人群存在差异若病例组北方人比例偏高即使该SNP与疾病无关也可能出现显著关联。控制群体分层的方法主成分分析使用EIGENSOFT、PLINK计算基因组主成分作为协变量纳入回归模型。混合模型如利用全基因组亲缘关系矩阵GCTA校正群体结构和亲缘关系。基因组控制通过计算膨胀因子λ校正检验统计量。3. GWAS统计方法3.1 单变异关联分析3.1.1 逻辑回归病例-对照逻辑回归是GWAS最常用的方法模型为log(p/(1-p)) β0 β1 * SNP Σ(γ_i * Covariate_i)检验H0: β10常用Wald检验或似然比检验。3.1.2 线性回归定量性状y β0 β1 * SNP Σ(γ_i * Covariate_i) ε采用F检验或t检验。3.1.3 常见软件PLINK经典工具支持多种关联分析和质量控制。BOLT-LMM使用混合模型计算速度快适合大规模数据。SAIGE专为二元性状设计可处理不平衡病例-对照比。REGENIE基于两步法高效处理百万级样本。3.2 多重检验校正GWAS检验数百万个SNP若使用传统P0.05阈值会产生大量假阳性。必须进行多重检验校正。3.2.1 Bonferroni校正最严格的方法校正后显著性阈值 0.05 / 有效检验数通常取100万~500万即P5×10⁻⁸。这是GWAS公认的显著性阈值。3.2.2 FDRFalse Discovery Rate适用于探索性分析控制假阳性比例而非家族性错误率。3.2.3 置换检验通过随机打乱表型标签经验估计显著性阈值计算量大但稳健。3.3 基因水平与通路富集分析单变异分析只能识别独立位点无法解释多个弱效应位点的联合作用。3.3.1 基因水平关联将SNP映射到基因基于位置、eQTL或功能注释聚合SNP水平的关联信号。代表性方法MAGMA基于多元回归考虑LD结构。VEGAS通过模拟SNP相关结构进行基因水平检验。Pascal使用SNP关联P值分布推断基因水平关联。3.3.2 通路富集分析将基因水平关联结果映射到生物学通路KEGG、GO、Reactome识别富集通路。工具FUMA、WebGestalt、DAVID。3.4 条件分析与精细定位GWAS发现的关联位点通常位于LD区块包含数十至数百个SNP难以确定因果变异。精细定位fine-mapping通过条件分析conditional analysis逐步剔除已发现的关联信号结合功能注释推断最可能的因果变异。常用方法FINEMAP基于贝叶斯模型计算每个SNP为因果变异的后验概率。SusieR基于“单效应回归”框架高效精细定位。PAINTOR整合功能注释数据。4. GWAS质量控制4.1 样本质量控制个体缺失率剔除缺失率2%的个体。性别检查根据X染色体杂合度核对性别。亲缘关系剔除亲缘系数0.2的个体或保留一个。群体分层使用PCA剔除祖先离群样本6个标准差。4.2 SNP质量控制位点缺失率剔除缺失率2%的SNP。最小等位基因频率MAF通常剔除MAF1%或5%的SNP取决于样本量。哈代-温伯格平衡HWE病例组中HWE P值1×10⁻⁶的SNP可能提示基因型分型错误。染色体异常剔除性染色体及线粒体SNP除非研究性别相关性状。4.3 表型质量控制极端值对定量性状剔除3倍标准差的值。表型分布检查是否符合正态分布必要时转换如log变换。协变量完整性处理缺失值均值填充、多重插补。5. GWAS结果解读5.1 曼哈顿图曼哈顿图是GWAS结果的标准可视化方式横坐标为染色体位置纵坐标为-log10(P值)。显著位点形成“山峰”超过红线P5×10⁻⁸的SNP为全基因组显著位点。5.2 区域图展示特定关联位点区域内的SNP关联强度、LD结构和基因注释帮助识别潜在因果变异。5.3 QQ图Quantile-Quantile图用于评估群体分层。若P值分布偏离期望早期偏离对角线提示可能存在分层或虚假关联若λ基因组膨胀因子接近1表示校正良好。5.4 效应量GWAS报道每个SNP的效应量OR值或β系数及95%置信区间。OR1表示风险等位基因增加疾病风险OR1表示保护作用。5.5 人群特异性同一SNP在不同人群中的效应可能存在差异需进行跨种族荟萃分析。6. GWAS Catalog核心资源库6.1 概述GWAS Cataloghttps://www.ebi.ac.uk/gwas/由EMBL-EBI维护收录已发表的GWAS研究提供标准化、可检索的关联结果。截至2024年包含超过6000项研究、50万个独立关联。6.2 数据内容每条记录包括研究信息PubMed ID、研究标题、发表年份、样本量、人群欧洲、东亚、非洲等。关联信息变异rsID、染色体、位置、效应等位基因、P值、OR/β、95% CI。性状信息实验因子EFO标准化术语、疾病/性状描述。映射信息邻近基因、距离、功能注释是否位于外显子、剪接位点等。6.3 查询方法6.3.1 网页检索按性状输入“type 2 diabetes”检索所有相关关联。按基因输入“APOE”检索该基因附近或相关的关联。按变异输入“rs429358”检索具体SNP的所有报道。6.3.2 高级筛选可按P值阈值、效应量、人群、研究类型荟萃分析、复制研究等筛选。6.3.3 数据下载提供完整数据下载FTP包括所有关联信息、研究信息、风险位点集合等。6.4 API访问GWAS Catalog提供REST API支持程序化查询。例如获取所有与“body mass index”相关的关联https://www.ebi.ac.uk/gwas/rest/api/studies?efoEFO_00043406.5 应用发现已知关联避免重复研究验证新发现的位点是否已有报道。候选基因分析筛选特定基因的已知关联。孟德尔随机化获取遗传变异-暴露关联数据。精细定位结合GWAS Catalog中的关联SNP及其LD关系推断因果变异。多基因风险评分提取显著SNP构建PRS模型。7. GWAS的局限性与挑战7.1 缺失遗传力GWAS发现的位点只能解释部分遗传力如身高约20%精神分裂症约30%称为“缺失遗传力”问题。可能原因罕见变异MAF1%未被GWAS芯片覆盖。结构变异SV未被检测。基因-基因交互作用、基因-环境交互作用。表型异质性。稀有变异的聚合效应。7.2 人群多样性不足超过80%的GWAS样本来自欧洲人群导致非欧洲人群的预测模型准确性低。跨种族荟萃分析时发现新位点的能力受限。7.3 因果变异识别困难由于LDGWAS信号可能对应多个高度相关的SNP难以直接确定因果变异。需要结合功能注释ENCODE、Roadmap Epigenomics。eQTL/pQTL数据。CRISPR筛选、动物模型等实验验证。7.4 功能机制解析大多数GWAS位点位于非编码区通过影响调控元件增强子、启动子调控基因表达而非直接改变蛋白编码序列。解析其机制需整合多组学数据。8. GWAS未来发展方向8.1 跨种族荟萃分析整合多人群GWAS数据提高统计效力发现跨人群共有的及人群特异的位点。代表性成果跨种族精神分裂症GWASPGC包含东亚和欧洲人群。8.2 罕见变异分析随着WGS成本下降罕见变异MAF1%GWAS成为可能。常用方法基因负荷检验聚合基因内罕见变异检验与表型关联。SKAT序列核关联检验考虑变异方向。STAAR整合功能注释的罕见变异分析。8.3 多基因风险评分PRSPRS将多个SNP效应加权求和预测个体疾病风险已用于临床风险分层。常用工具PRSice自动选择P值阈值。LDpred考虑LD调整效应量。PLINK的–score标准实现。8.4 整合多组学数据eQTL、sQTL、pQTL将GWAS信号与分子表型关联推断功能基因。Hi-C、ChIA-PET三维基因组数据帮助将增强子关联到靶基因。单细胞组学精确定位GWAS信号的作用细胞类型。8.5 孟德尔随机化利用遗传变异作为工具变量推断暴露与结局的因果关联避免传统流行病学中的混杂和反向因果偏倚。8.6 机器学习与深度学习整合功能注释预测因果变异如DeepSEA、Enformer。构建非线性PRS模型如PRS-CSx、BayesR。9. 结语GWAS经过近二十年的发展已成为连接遗传变异与复杂性状的核心方法。从单变异关联到基因水平检验从群体分层控制到精细定位GWAS的统计方法日趋成熟。GWAS Catalog等公共数据库为结果整合和二次分析提供了宝贵资源。然而GWAS仍有诸多未解难题缺失遗传力、人群多样性不足、因果变异识别困难。未来跨种族荟萃分析、罕见变异研究、多组学整合以及孟德尔随机化将持续推动GWAS从“关联发现”走向“机制解析”和“临床转化”。对于研究者而言开展一项高质量的GWAS不仅需要扎实的统计遗传学基础更需要对研究设计、质量控制、结果解读的全面把握。希望本文能为读者提供系统性的知识框架助力在GWAS领域开展创新性研究。参考文献Visscher, P. M., et al. (2017). 10 years of GWAS discovery: biology, function, and translation.American Journal of Human Genetics, 101(1), 5-22.Buniello, A., et al. (2019). The NHGRI-EBI GWAS Catalog of published genome-wide association studies, targeted arrays and summary statistics 2019.Nucleic Acids Research, 47(D1), D1005-D1012.Chang, C. C., et al. (2015). Second-generation PLINK: rising to the challenge of larger and richer datasets.GigaScience, 4(1), s13742-015.Purcell, S., et al. (2007). PLINK: a tool set for whole-genome association and population-based linkage analyses.American Journal of Human Genetics, 81(3), 559-575.de Bakker, P. I., et al. (2008). Practical aspects of imputation-driven meta-analysis of genome-wide association studies.Human Molecular Genetics, 17(R2), R122-R128.Sollis, E., et al. (2023). The NHGRI-EBI GWAS Catalog: knowledgebase and deposition resource.Nucleic Acids Research, 51(D1), D977-D985.点击“AladdinEdu你的AI学习实践工作坊”注册即送-H卡级别算力沉浸式云原生集成开发环境80G大显存多卡并行按量弹性计费教育用户更享超低价。
全基因组关联研究：原理、统计方法与GWAS Catalog的应用
点击“AladdinEdu你的AI学习实践工作坊”注册即送-H卡级别算力沉浸式云原生集成开发环境80G大显存多卡并行按量弹性计费教育用户更享超低价。摘要全基因组关联研究GWAS是解析复杂性状与疾病遗传基础的关键工具。本文系统阐述GWAS的核心原理包括连锁不平衡、病例对照设计及群体分层控制深入解析统计分析方法从单变异关联分析到多重检验校正、基因水平与通路富集分析详细介绍GWAS Catalog数据库的结构、查询与数据应用方法并探讨GWAS的局限性如缺失遗传力、精细定位难题及未来发展方向跨种族荟萃分析、罕见变异研究、多基因风险评分。通过理论结合实例为研究者提供开展GWAS及解读结果的完整框架。关键词全基因组关联研究GWAS统计遗传学群体分层多重检验校正GWAS Catalog1. 引言全基因组关联研究Genome-Wide Association Study, GWAS通过检测全基因组范围内数百万个单核苷酸多态性SNP与目标性状的关联寻找与疾病或表型相关的遗传变异。自2005年第一篇GWAS论文发表Science年龄相关性黄斑变性以来GWAS已成为复杂疾病遗传学研究的核心技术累计发表超过6000项研究发现了数万个与人类疾病和性状相关的遗传位点。GWAS的成功得益于三个要素高通量基因分型芯片的普及、大规模样本队列的建立以及统计遗传学方法的成熟。本文将从原理、统计方法、数据应用和挑战四个维度全面解析GWAS的完整知识体系。2. GWAS基本原理2.1 连锁不平衡GWAS的核心是连锁不平衡Linkage Disequilibrium, LD——指基因组中相邻位点的等位基因非随机关联的现象。由于LD的存在直接测序所有SNP并不必要只需检测一部分标签SNPtag SNP即可覆盖基因组中大部分常见变异。LD度量常用r²相关系数和D’标准化差异表示。r²0.8通常认为两个位点高度关联。LD图谱不同人群的LD模式存在差异影响GWAS的设计和结果解读。2.2 基因分型与填充现代GWAS使用高通量SNP芯片如Illumina Infinium系列检测50万至500万个SNP。为进一步增加覆盖密度常使用基因型填充imputation技术依据参考面板如1000 Genomes、TOPMed推断未直接分型的SNP基因型使分析位点数达到数千万。2.3 研究设计病例-对照设计最常用比较病例组与对照组等位基因频率差异。定量性状设计分析SNP与连续型表型如身高、血压的关联。队列设计基于前瞻性队列结合纵向随访数据。家系设计利用家系结构控制群体分层。2.4 群体分层群体分层Population Stratification指人群因祖先来源不同导致等位基因频率差异可能引起虚假关联。例如某SNP频率在中国北方和南方人群存在差异若病例组北方人比例偏高即使该SNP与疾病无关也可能出现显著关联。控制群体分层的方法主成分分析使用EIGENSOFT、PLINK计算基因组主成分作为协变量纳入回归模型。混合模型如利用全基因组亲缘关系矩阵GCTA校正群体结构和亲缘关系。基因组控制通过计算膨胀因子λ校正检验统计量。3. GWAS统计方法3.1 单变异关联分析3.1.1 逻辑回归病例-对照逻辑回归是GWAS最常用的方法模型为log(p/(1-p)) β0 β1 * SNP Σ(γ_i * Covariate_i)检验H0: β10常用Wald检验或似然比检验。3.1.2 线性回归定量性状y β0 β1 * SNP Σ(γ_i * Covariate_i) ε采用F检验或t检验。3.1.3 常见软件PLINK经典工具支持多种关联分析和质量控制。BOLT-LMM使用混合模型计算速度快适合大规模数据。SAIGE专为二元性状设计可处理不平衡病例-对照比。REGENIE基于两步法高效处理百万级样本。3.2 多重检验校正GWAS检验数百万个SNP若使用传统P0.05阈值会产生大量假阳性。必须进行多重检验校正。3.2.1 Bonferroni校正最严格的方法校正后显著性阈值 0.05 / 有效检验数通常取100万~500万即P5×10⁻⁸。这是GWAS公认的显著性阈值。3.2.2 FDRFalse Discovery Rate适用于探索性分析控制假阳性比例而非家族性错误率。3.2.3 置换检验通过随机打乱表型标签经验估计显著性阈值计算量大但稳健。3.3 基因水平与通路富集分析单变异分析只能识别独立位点无法解释多个弱效应位点的联合作用。3.3.1 基因水平关联将SNP映射到基因基于位置、eQTL或功能注释聚合SNP水平的关联信号。代表性方法MAGMA基于多元回归考虑LD结构。VEGAS通过模拟SNP相关结构进行基因水平检验。Pascal使用SNP关联P值分布推断基因水平关联。3.3.2 通路富集分析将基因水平关联结果映射到生物学通路KEGG、GO、Reactome识别富集通路。工具FUMA、WebGestalt、DAVID。3.4 条件分析与精细定位GWAS发现的关联位点通常位于LD区块包含数十至数百个SNP难以确定因果变异。精细定位fine-mapping通过条件分析conditional analysis逐步剔除已发现的关联信号结合功能注释推断最可能的因果变异。常用方法FINEMAP基于贝叶斯模型计算每个SNP为因果变异的后验概率。SusieR基于“单效应回归”框架高效精细定位。PAINTOR整合功能注释数据。4. GWAS质量控制4.1 样本质量控制个体缺失率剔除缺失率2%的个体。性别检查根据X染色体杂合度核对性别。亲缘关系剔除亲缘系数0.2的个体或保留一个。群体分层使用PCA剔除祖先离群样本6个标准差。4.2 SNP质量控制位点缺失率剔除缺失率2%的SNP。最小等位基因频率MAF通常剔除MAF1%或5%的SNP取决于样本量。哈代-温伯格平衡HWE病例组中HWE P值1×10⁻⁶的SNP可能提示基因型分型错误。染色体异常剔除性染色体及线粒体SNP除非研究性别相关性状。4.3 表型质量控制极端值对定量性状剔除3倍标准差的值。表型分布检查是否符合正态分布必要时转换如log变换。协变量完整性处理缺失值均值填充、多重插补。5. GWAS结果解读5.1 曼哈顿图曼哈顿图是GWAS结果的标准可视化方式横坐标为染色体位置纵坐标为-log10(P值)。显著位点形成“山峰”超过红线P5×10⁻⁸的SNP为全基因组显著位点。5.2 区域图展示特定关联位点区域内的SNP关联强度、LD结构和基因注释帮助识别潜在因果变异。5.3 QQ图Quantile-Quantile图用于评估群体分层。若P值分布偏离期望早期偏离对角线提示可能存在分层或虚假关联若λ基因组膨胀因子接近1表示校正良好。5.4 效应量GWAS报道每个SNP的效应量OR值或β系数及95%置信区间。OR1表示风险等位基因增加疾病风险OR1表示保护作用。5.5 人群特异性同一SNP在不同人群中的效应可能存在差异需进行跨种族荟萃分析。6. GWAS Catalog核心资源库6.1 概述GWAS Cataloghttps://www.ebi.ac.uk/gwas/由EMBL-EBI维护收录已发表的GWAS研究提供标准化、可检索的关联结果。截至2024年包含超过6000项研究、50万个独立关联。6.2 数据内容每条记录包括研究信息PubMed ID、研究标题、发表年份、样本量、人群欧洲、东亚、非洲等。关联信息变异rsID、染色体、位置、效应等位基因、P值、OR/β、95% CI。性状信息实验因子EFO标准化术语、疾病/性状描述。映射信息邻近基因、距离、功能注释是否位于外显子、剪接位点等。6.3 查询方法6.3.1 网页检索按性状输入“type 2 diabetes”检索所有相关关联。按基因输入“APOE”检索该基因附近或相关的关联。按变异输入“rs429358”检索具体SNP的所有报道。6.3.2 高级筛选可按P值阈值、效应量、人群、研究类型荟萃分析、复制研究等筛选。6.3.3 数据下载提供完整数据下载FTP包括所有关联信息、研究信息、风险位点集合等。6.4 API访问GWAS Catalog提供REST API支持程序化查询。例如获取所有与“body mass index”相关的关联https://www.ebi.ac.uk/gwas/rest/api/studies?efoEFO_00043406.5 应用发现已知关联避免重复研究验证新发现的位点是否已有报道。候选基因分析筛选特定基因的已知关联。孟德尔随机化获取遗传变异-暴露关联数据。精细定位结合GWAS Catalog中的关联SNP及其LD关系推断因果变异。多基因风险评分提取显著SNP构建PRS模型。7. GWAS的局限性与挑战7.1 缺失遗传力GWAS发现的位点只能解释部分遗传力如身高约20%精神分裂症约30%称为“缺失遗传力”问题。可能原因罕见变异MAF1%未被GWAS芯片覆盖。结构变异SV未被检测。基因-基因交互作用、基因-环境交互作用。表型异质性。稀有变异的聚合效应。7.2 人群多样性不足超过80%的GWAS样本来自欧洲人群导致非欧洲人群的预测模型准确性低。跨种族荟萃分析时发现新位点的能力受限。7.3 因果变异识别困难由于LDGWAS信号可能对应多个高度相关的SNP难以直接确定因果变异。需要结合功能注释ENCODE、Roadmap Epigenomics。eQTL/pQTL数据。CRISPR筛选、动物模型等实验验证。7.4 功能机制解析大多数GWAS位点位于非编码区通过影响调控元件增强子、启动子调控基因表达而非直接改变蛋白编码序列。解析其机制需整合多组学数据。8. GWAS未来发展方向8.1 跨种族荟萃分析整合多人群GWAS数据提高统计效力发现跨人群共有的及人群特异的位点。代表性成果跨种族精神分裂症GWASPGC包含东亚和欧洲人群。8.2 罕见变异分析随着WGS成本下降罕见变异MAF1%GWAS成为可能。常用方法基因负荷检验聚合基因内罕见变异检验与表型关联。SKAT序列核关联检验考虑变异方向。STAAR整合功能注释的罕见变异分析。8.3 多基因风险评分PRSPRS将多个SNP效应加权求和预测个体疾病风险已用于临床风险分层。常用工具PRSice自动选择P值阈值。LDpred考虑LD调整效应量。PLINK的–score标准实现。8.4 整合多组学数据eQTL、sQTL、pQTL将GWAS信号与分子表型关联推断功能基因。Hi-C、ChIA-PET三维基因组数据帮助将增强子关联到靶基因。单细胞组学精确定位GWAS信号的作用细胞类型。8.5 孟德尔随机化利用遗传变异作为工具变量推断暴露与结局的因果关联避免传统流行病学中的混杂和反向因果偏倚。8.6 机器学习与深度学习整合功能注释预测因果变异如DeepSEA、Enformer。构建非线性PRS模型如PRS-CSx、BayesR。9. 结语GWAS经过近二十年的发展已成为连接遗传变异与复杂性状的核心方法。从单变异关联到基因水平检验从群体分层控制到精细定位GWAS的统计方法日趋成熟。GWAS Catalog等公共数据库为结果整合和二次分析提供了宝贵资源。然而GWAS仍有诸多未解难题缺失遗传力、人群多样性不足、因果变异识别困难。未来跨种族荟萃分析、罕见变异研究、多组学整合以及孟德尔随机化将持续推动GWAS从“关联发现”走向“机制解析”和“临床转化”。对于研究者而言开展一项高质量的GWAS不仅需要扎实的统计遗传学基础更需要对研究设计、质量控制、结果解读的全面把握。希望本文能为读者提供系统性的知识框架助力在GWAS领域开展创新性研究。参考文献Visscher, P. M., et al. (2017). 10 years of GWAS discovery: biology, function, and translation.American Journal of Human Genetics, 101(1), 5-22.Buniello, A., et al. (2019). The NHGRI-EBI GWAS Catalog of published genome-wide association studies, targeted arrays and summary statistics 2019.Nucleic Acids Research, 47(D1), D1005-D1012.Chang, C. C., et al. (2015). Second-generation PLINK: rising to the challenge of larger and richer datasets.GigaScience, 4(1), s13742-015.Purcell, S., et al. (2007). PLINK: a tool set for whole-genome association and population-based linkage analyses.American Journal of Human Genetics, 81(3), 559-575.de Bakker, P. I., et al. (2008). Practical aspects of imputation-driven meta-analysis of genome-wide association studies.Human Molecular Genetics, 17(R2), R122-R128.Sollis, E., et al. (2023). The NHGRI-EBI GWAS Catalog: knowledgebase and deposition resource.Nucleic Acids Research, 51(D1), D977-D985.点击“AladdinEdu你的AI学习实践工作坊”注册即送-H卡级别算力沉浸式云原生集成开发环境80G大显存多卡并行按量弹性计费教育用户更享超低价。
