post-GWAS：使⽤coloc进⾏共定位分析（Colocalization）GWAS找到显著信号位点后，需要解释显著信号位点如何影响表型。
常见的⼀个解释⽅法是共定位分析。
主流的共定位分析包括：
1）GWAS和eQTL共定位；
2）GWAS和sQTL共定位；财务总结范文
3）GWAS和meQTL共定位；
4）GWAS和pQTL共定位；卤碱
其中，GWAS和eQTL共定位应⽤最为⼴泛。
具体来说，当检测到GWAS信号和eQTL共定位时，我们会认为GWAS信号上的位点可能通过改变基因表达的⽣物学过程影响表型。
共定位分析有四种设想：
百度翻译在线翻译英语
第⼀种设想 H0: 表型1（GWAS）和表型2 （以eQTL为例）与某个基因组区域的所有SNP位点⽆显著相关；
第⼆种设想 H1/H2: 表型1（GWAS）或表型2（以eQTL为例）与某个基因组区域的SNP位点显著相关；
wpa是什么意思第三种设想 H3: 表型1（GWAS）和表型2 （以eQTL为例）与某个基因组区域的SNP位点显著相关，但由不同的因果变异位点驱动；
第四种设想 H4: 表型1（GWAS）和表型2 （以eQTL为例）与某个基因组区域的SNP位点显著相关，且由同⼀个因果变异位点驱动；
基于以上四种设想，我们希望第四种设想 H4 在统计学上概率更⾼，这样就能解释显著信号位点如何影响表型；
所以共定位分析，本质上是在检验第四种的后验概率；
讲完共定位分析的相关概念，接下来我们以“GWAS和eQTL共定位”为例讲⼀下如何使⽤coloc进⾏共定位分析。
1 下载、安装coloc
if(!require("remotes"))
install.packages("remotes")
install.packages("dplyr")
library(remotes)
install_github("chr1swallace/coloc",build_vignettes=TRUE)语文试卷分析
library("coloc")
library(dplyr)
2 下载测试数据
测试数据请在公众号“bio⽣物信息”后台回复"coloc"获取。
3 分析
3.1 导⼊表型1（GWAS）数据：
gwas <- read.table(file="E:/path_to_", header=T);ridiculousness
GWAS数据包括：rs编号rs_id，P值pval_nominal等：
注意事项：如果表型是⼆分类变量（ca和control），输⼊⽂件⼆选⼀：
1）rs编号rs_id、P值pval_nominal、SNP的效应值beta、效应值⽅差varbeta；
2）rs编号rs_id、P值pval_nominal、ca在所有样本中的⽐例s
3.2 导⼊表型2（eQTL）数据：
eqtl <- read.table(file="E:/path_to_", header=T);
eQTL数据包括：rs编号rs_id，基因gene_id，次等位基因频率maf、P值pval_nominal等：
注意事项：如果表型是连续型变量，输⼊⽂件三选⼀：
1）rs编号rs_id、P值pval_nominal、表型的标准差sdY；
2）rs编号rs_id、P值pval_nominal、效应值beta，效应值⽅差varbeta, 样本量N，次等位基因频率MAF；
3）rs编号rs_id、P值pval_nominal、次等位基因频率MAF；
3.3 合并GWAS和eQTL数据：
input <- merge(eqtl, gwas, by="rs_id", all=FALSE, suffixes=c("_eqtl","_gwas"))
head(input)
comments是什么意思3.4 共定位分析
result <- coloc.abf(datat1=list(pvalues=input$pval_nominal_gwas, type="cc", s=0.33, N=50000), datat2=list(pvalues=input$pval_nominal_eqtl, type="quant", N=10000), MAF=input$maf) datat1的type="cc"指的是GWAS的表型是⼆分类（ca和control）；
datat2的type="quant"指的是eQTL的表型（基因表达量）是连续型
N指样本量；
3.5 筛选共定位的位点
通常情况下，很多⽂献认为PPA > 0.95的位点是共定位位点，也有⼀些⽂献会放松要求到0.75。
这⾥假定后验概率⼤于0.95为共定位位点：
library(dplyr)
电脑游戏的危害>in chinaneed_result=result$results %>% filter(SNP.PP.H4 > 0.95)
结果如下：
从图上可以看出，SNP.4811位点的后验概率为1。怎么找到这个位点呢？可以通过对应的P值（1.81e-42）找到这个位点的rs号；
4 结果解读
对于输出结果，我们只需要关注最后⼀列信息SNP.PP.H4，对应推⽂前⾯提到的第四种设想 H4。软件测试培训
SNP.PP.H4表⽰的是GWAS显著信号和eQTL位点为同⼀个位点的后验概率，范围在0-1之间，0表⽰概率为0%，1表⽰概率为100%。后验概率越⾼越好。
5 注意事项
1）由于共定位分析是基于某个基因组区域进⾏计算，所以请不要把全基因组的信息都丢进去（偷懒
该打），这么做⼀个是没意义，另外⼀个特别耗时，给计算机增加⼯作负担；
2）虽然我们没必要把基因组的全部信息丢进去，但也不意味着只放⼀个变异位点信息就⾏。
3）因此，正确的做法是，先提取GWAS中显著变异位点上下游区域（这个区域多⼤⾃⼰定，没有⾦标准）的GWAS summary数据，理想情况下，提取后显著变异位点所在基因组区域的SNP数量在1,000-10,000之间。
4）该⽅法的设想是只有⼀个causal 位点，所以如果表型1（GWAS）和表型2 （以eQTL为例）在某个区域有多个显著位点的话，⽤该⽅法是定位不出结果的，这是该⽅法的局限，所以如果某个基因组区域存在多个显著位点，请考虑其他⼯具（允许多个causal 位点共定位的⼯具）致谢橙⼦⽜奶糖（陈⽂燕），请⽤参考模版：We thank the blogger (orange_milk_sugar, Wenyan Chen) for XXX
感谢⼩可爱们多年来的陪伴，我与你们⼀起成长~
