实战总结：用 rMVP 做植物 GWAS 的标准工作流与避坑指南

最近在一对一辅导一位同学做全基因组关联分析（GWAS）项目。他在处理一批水稻的数据时，使用 rMVP 跑流程遇到了几个非常典型的坑。从上千万个原始变异位点的质控过滤，到代码报错排查，再到最终模型选择，在这里记录总结下，供开展植物 GWAS 的同行参考。

一、过滤位点过犹不及

在使用 PLINK 对原始 VCF 文件（通常包含上千万个位点）进行过滤时，很多人会直接套用人类代码，加上 --hwe 1e-6 参数。但在植物群体（尤其是水稻等高度纯合的群体）中，这会导致灾难性的后果------极高比例的真实高质量位点被当作测序错误误删。

**原因分析：**哈迪-温伯格平衡（HWE）的前提是群体随机交配，期望存在一定比例的杂合子。而自交系作物的纯合度接近 100%，极度缺乏杂合子。这种天然的群体结构在算法看来是对 HWE 的严重偏离，从而产生极小的 P 值触发过滤机制。

**建议：**植物纯系 PLINK 过滤脚本不加 --hwe 参数。

bash 复制代码

plink --vcf raw_data.vcf.gz \

      --keep-allele-order \

      --snps-only just-acgt \

      --biallelic-only strict \

      --maf 0.05 \

      --geno 0.1 \

      --chr 1-12 \

      --allow-extra-chr \

      --make-bed \

      --out rice_filtered_clean

注：保留 --chr 1-12 可以剔除未挂载的 scaffold（如 ChrUn, ChrSy），这些非数字染色体编号会导致 rMVP 后续画图直接崩溃。

二、跑项目时，先用小数据测通

项目数据较大，无论是在开发还是跑项目，尽量用小数据集测试，先跑通再说，这是基本常识。

提取测试数据：

bash 复制代码

plink --bfile rice_filtered_clean --thin 0.01 --make-bed --out rice_test

建议：在将完整脚本提交到集群（如 SLURM）正式运行前，可用 1% 的数据进行测试，排查环境与代码报错。

三、关于GWAS模型选择

GWAS软件很多，在这里只针对他的项目，用rMVP软件。

rMVP 原生支持三种主流模型，如果是做自己的项目，建议使用 method = c("GLM", "MLM", "FarmCPU") 同时跑出三种结果进行比对。

GLM (一般线性模型)： 仅校正群体结构（PCA）。计算极快，但忽略了家系间的亲缘关系（Kinship），容易产生大量假阳性。
MLM (混合线性模型)： 同时纳入 PCA 和 Kinship，是经典的Q+K模型。能极大程度压制假阳性，但缺点是存在过度拟合风险，容易把真实的微效信号抹杀掉（假阴性高）。
FarmCPU： 采用多基因座（Multi-locus）模型，在固定效应和随机效应之间循环迭代。它的统计功效（Power）最高，背景噪音压得极低，而真实信号极度锐利。

rMVP更新比较频繁，有些参数可能会发生变化，注意版本。

**建议：**如果要发文章，建议以 FarmCPU 的结果为主 进行靶区挖掘，同时将 MLM 的结果作为交叉验证。如果一个位点在 FarmCPU 和 MLM 中同时显著，该区间即为超高优先级的候选靶点。

四、 GWAS 需要同时用 SNP 和 InDel 吗？

虽然 InDel往往是导致表型变异的直接原因（如移码突变），但在全基因组关联扫描阶段，只使用高质量的 SNP 即可，不建议合并或单独运行 InDel。

分型准确率考量： 二代测序对 InDel 的 calling 错误率远高于 SNP，合并运行容易污染底层的 PCA 和 Kinship 矩阵，降低统计功效。
连锁不平衡（LD）效应： 高密度的 SNP 标记（如过滤后依然保留 200~300 万个）足以作为任何真实 InDel 的标签。

建议： GWAS 阶段用纯 SNP 数据，锁定显著候选区间后，再回到原始 VCF 文件中，将该区间内的 SNP 和 InDel 同时提取出来，进行单倍型分析与功能候选基因的比对。

实战总结：用 rMVP 做植物 GWAS 的标准工作流与避坑指南

一、 过滤位点过犹不及

二、 跑项目时，先用小数据测通

三、 关于GWAS模型选择

四、 GWAS 需要同时用 SNP 和 InDel 吗？

一、过滤位点过犹不及

二、跑项目时，先用小数据测通

三、关于GWAS模型选择