書(shū)到用時(shí)方恨少，今天來(lái)學(xué)習(xí)一下英國(guó)生物數(shù)據(jù)庫(kù)中用于表型關(guān)聯(lián)分析的工具，以下主要內(nèi)容是對(duì)截圖所示文章的翻譯。
摘要
動(dòng)機(jī)：流病隊(duì)列常常包含不同類(lèi)型的表型數(shù)據(jù)，自動(dòng)化掃描表型組并不簡(jiǎn)單，需要非常異質(zhì)化（highly heterogeneous）的模型。因此，到目前為止，表型組掃描往往使用統(tǒng)一的方法，分析一部分同質(zhì)的表型。我們開(kāi)發(fā)了PHESANT（PHEnome Scan ANalysis Tool），用于整合掃描UK生物庫(kù)中的表型組。
一般特性：PHESANT檢驗(yàn)特定性狀，與UK生物庫(kù)或特定子集中，所有連續(xù)型、整型和分類(lèi)變量的關(guān)聯(lián)。PHESANT使用基于規(guī)則的新算法來(lái)確定如何恰當(dāng)?shù)貦z驗(yàn)每一個(gè)性狀，然后執(zhí)行分析，輸出圖和描述性表格。
實(shí)現(xiàn)：PHESANT的表型組掃描部分是用R實(shí)現(xiàn)的，整體包括基于Javascript D3.js 的可視化，以及相應(yīng)的Java代碼（可將表型組掃描分析結(jié)果轉(zhuǎn)化為需要的JavaScript Object Notation (JSON) 格式）。
可用性：PHESANT已托管至GitHub[https://github.com/MRCIEU/PHESANT]。
導(dǎo)言
表型組掃描檢驗(yàn)?zāi)硞€(gè)性狀與一系列表型（即表型）的關(guān)聯(lián)。表型組掃描大致分為全表型組關(guān)聯(lián)研究（phenome-wide association studies，pheWAS），孟德?tīng)栯S機(jī)化pheWAS（Mendelian randomization-pheWAS，MR-pheWAS）和全環(huán)境關(guān)聯(lián)分析（environment-wide association studies，EnWAS）。PheWAS致力于研究某個(gè)遺傳變異與一系列表型化的性狀的關(guān)聯(lián)。最近，pheWAS的研究進(jìn)一步擴(kuò)大，MR-pheWAS，在pheWAS的框架下使用孟德?tīng)栯S機(jī)化搜索特定暴露因素的因果效應(yīng)。EnWAS致力于檢驗(yàn)?zāi)硞€(gè)性狀和其他表型的關(guān)聯(lián)。
? ? 流病隊(duì)列通常包含大量不同的表型，因此無(wú)法簡(jiǎn)單地自動(dòng)化檢驗(yàn)這些表型與另一個(gè)性狀的關(guān)聯(lián)。因此，研究者們?nèi)粝胱霰硇徒M分析，往往會(huì)指定一些同類(lèi)型的性狀，以便統(tǒng)一地自動(dòng)化分析這些性狀中的關(guān)聯(lián)。比如，pheWAS起初用統(tǒng)一的檢驗(yàn)方法，分析電子醫(yī)療檔案中的國(guó)際疾病分類(lèi)（international classification of disease，ICD）編號(hào)，將每種疾病編碼視為二分類(lèi)變量。然而，僅研究一部分表型只能看到一部分與某個(gè)表型的關(guān)聯(lián)，減少了發(fā)現(xiàn)新關(guān)聯(lián)的可能。
? ? 本文提供PHESANT（PHEnome Scan ANalysis Tool），一個(gè)可平行化地用于UK生物庫(kù)——來(lái)自英國(guó)約500,000名37至73歲的男性和女性的前瞻性隊(duì)列——表型組掃描的工具。該隊(duì)列包括遺傳數(shù)據(jù)和大量不同類(lèi)型的數(shù)據(jù)，分別來(lái)自血液、尿和唾液的檢測(cè)、臨床評(píng)估，記錄鏈接（record linkage，整合不同的數(shù)據(jù)源中來(lái)自同一實(shí)體的數(shù)據(jù)集）以及健康和生活調(diào)查問(wèn)卷。利用豐富且大量的數(shù)據(jù)，研究者通過(guò)表型組掃描，更有可能發(fā)現(xiàn)新的關(guān)聯(lián)。
實(shí)現(xiàn)
PHESANT是用R實(shí)現(xiàn)的，需要以下R包：optparse， MASS， lmtest，nnet，forestplot和 data.table。PHESANT的輸入是包含一組表型、需研究的性狀（依研究類(lèi)型而定，如pheWAS、MR-pheWAS或EnWAS，輸入分別是SNP、遺傳評(píng)分或表型化的性狀）以及混淆因素（需研究的性狀和混淆因素也可以分不同文件）。PHESANT還需利用兩個(gè)數(shù)據(jù)文件，收集了UK生物庫(kù)隊(duì)列中變量相關(guān)的信息：(i)數(shù)據(jù)編碼信息；和(ii)變量信息。接下來(lái)的例子中將提及這些文件，稍作修改即可用于特定的表型組掃描。更多相關(guān)數(shù)據(jù)和信息文件，可在GitHub中查看。最后，將介紹PHESANT中的變量處理流程（variable processing flow）。
確定變量編碼的自動(dòng)化處理流程
為了自動(dòng)化檢驗(yàn)特定性狀與一系列不同類(lèi)型的表型的關(guān)聯(lián)，我們開(kāi)發(fā)了基于規(guī)則確定每個(gè)變量合適的編碼和相應(yīng)的關(guān)聯(lián)檢驗(yàn)的系統(tǒng)（見(jiàn)圖1）。決定規(guī)則從UK生物庫(kù)指定的變量字段類(lèi)型（variable field type，見(jiàn)http://biobank.ctsu.ox.ac.uk/showcase/list.cgi）開(kāi)始，要么連續(xù)型、整型、分類(lèi)型（單）或分類(lèi)型（多），再將這些變量分類(lèi)為以下四種數(shù)據(jù)類(lèi)型：連續(xù)型、有序分類(lèi)型、無(wú)序分類(lèi)型和二分類(lèi)型。分類(lèi)型（單）字段類(lèi)型指的是分類(lèi)字段（包括二分類(lèi)型），其中每個(gè)參與者只能有一個(gè)值。比如，問(wèn)卷中，參與者被問(wèn)到“如何描述你通常的步行速度？”，選項(xiàng)包含“慢”、“平均”和“快”（字段ID是924）。相比之下，分類(lèi)型（多）字段對(duì)每個(gè)參與者而言，有多個(gè)值。比如，問(wèn)卷中，參與者被問(wèn)到前一天早上吃什么面包（字段ID是20091），可能同時(shí)選白和全麥。當(dāng)某字段在多個(gè)時(shí)間點(diǎn)測(cè)量，僅保留首次出現(xiàn)的值。連續(xù)型和整型變量可能在第一個(gè)測(cè)量時(shí)間點(diǎn)有多個(gè)測(cè)量值（常常是為了提升測(cè)量的估計(jì)精確度）。比如，一段時(shí)間內(nèi)，肺活量會(huì)測(cè)兩到三次，以字段3062[http://biobank.ctsu.ox.ac.uk/showcase/field.cgi?id=3062]為例。遇到這類(lèi)情形，取均值。
? ? 連續(xù)型字段類(lèi)型中的變量通常被歸為連續(xù)型數(shù)據(jù)類(lèi)型。在這種情況下，變量將通過(guò)inverse normal rank transformation轉(zhuǎn)換為正態(tài)分布。在少數(shù)情況下，連續(xù)型字段將被歸為有序分類(lèi)型數(shù)據(jù)類(lèi)型（如果僅含兩種不同的值，則轉(zhuǎn)為二分類(lèi)型）。比如，字段100022包含估計(jì)飲酒量，基于問(wèn)卷“回憶24小時(shí)內(nèi)的飲食”中的回復(fù)。大部分參與者在此字段是零值，因?yàn)樗麄儾伙嬀?。不能inverse normal rank transform此變量，因?yàn)榇蟛糠謪⑴c者具有相同的值，轉(zhuǎn)換中隨機(jī)排序，將給數(shù)據(jù)增加噪音。相反，我們將此變量轉(zhuǎn)換為三類(lèi)，每類(lèi)的人數(shù)大致相同（在不同值之間設(shè)置分割點(diǎn)），然后當(dāng)作有序分類(lèi)變量（見(jiàn)附件S3中的算法）。整型字段類(lèi)型的變量通常和連續(xù)型變量一樣處理。在少數(shù)情況下，不同的取值少于或等于20個(gè)，我們將此變量當(dāng)作有序分類(lèi)型（或二分類(lèi)型如果只有兩個(gè)不同取值）。
? ? 分類(lèi)型（單）變量可能被歸為二分類(lèi)、有序分類(lèi)或無(wú)序分類(lèi)數(shù)據(jù)類(lèi)型。UK生物庫(kù)將負(fù)數(shù)歸為表示缺失的類(lèi)別（比如“不想回答”和“不知道”），因此將負(fù)數(shù)重編碼為“NA”。UK生物庫(kù)定義了一個(gè)或多個(gè)字段歸類(lèi)后的“數(shù)據(jù)編碼”（defines 'data codes' to which one or more fields are assigned），并且為這些字段及其數(shù)值定義了一系列分類(lèi)值。PHESANT數(shù)據(jù)編碼信息文件確定了分類(lèi)型（單）字段的數(shù)據(jù)編碼，說(shuō)明它是一個(gè)有序或者無(wú)序的分類(lèi)結(jié)構(gòu)，然后用此信息將每個(gè)非二分類(lèi)型（單）字段歸為有序型或無(wú)序型分類(lèi)數(shù)據(jù)類(lèi)型。
? ? 每個(gè)分類(lèi)型（多）變量被轉(zhuǎn)換為一系列二分類(lèi)變量，說(shuō)明該參與者是否具有此類(lèi)指定值。比如，對(duì)于描述昨天吃的面包變量（字段ID為20091），值為“白”、“混合”、“全麥”、“多籽”和“其它”，將產(chǎn)生五個(gè)二分類(lèi)變量：白={真，假}，全麥={真，假}等。如果有人在此字段上沒(méi)有值，那么分類(lèi)型（多）字段將更復(fù)雜，這可能是因?yàn)椋?i)該字段值不全——未包含所有可能的值（如，某個(gè)參與者不吃面包不會(huì)選以上任何一個(gè)選項(xiàng)）；或(ii)由于數(shù)據(jù)缺失（比如，參與者沒(méi)答此題）。這將影響如何賦值，比如，當(dāng)白=假，要么是：(i)所有選擇除“白”以外選項(xiàng)的人；(ii)所有回復(fù)了問(wèn)卷，但未選“白”的人；或是(iii)未選擇“白”的人，且包括那些未回復(fù)問(wèn)卷的人（見(jiàn)補(bǔ)充圖3示意）。在這種情況下，第二個(gè)選項(xiàng)更好，比較那些吃白面包的人和回復(fù)了問(wèn)卷但是不吃白面包的人。因此需針對(duì)每個(gè)變量單獨(dú)分析，在PHESANT變量信息文件中可以指定。補(bǔ)充材料S1有更多細(xì)節(jié)。
? ? 一些分類(lèi)型（多）字段包括負(fù)值，代表缺失（比如“不知道”）。因?yàn)闊o(wú)法確定他們是否與該二分類(lèi)變量的真值有關(guān)，需從轉(zhuǎn)換出的二分類(lèi)變量為假的人群中排除該分類(lèi)型（多）字段存在缺失的參與者。以字段41228[http://biobank.ctsu.ox.ac.uk/showcase/field.cgi?id=41228]為例，描述的參與者接生醫(yī)生的類(lèi)型，比如某個(gè)參與者曾有兩次生育，在此項(xiàng)選擇“助產(chǎn)士”和“不知道”。在助產(chǎn)士的二分類(lèi)變量這一項(xiàng)，符合助產(chǎn)士=真（midwife=true）的參與者集合包括該參與者，因?yàn)橹辽儆幸淮沃a(chǎn)士為其接生。然而，不能肯定某個(gè)住院醫(yī)生沒(méi)有為該參與者接生，因?yàn)椤安恢馈笨赡苤傅氖恰白≡横t(yī)生”。因此，在“住院醫(yī)生”的二分類(lèi)變量這一項(xiàng)，符合住院醫(yī)生=假（hospital_doctor = false）的參與者集合就不包括該參與者， 因?yàn)榇隧?xiàng)未知。
檢驗(yàn)?zāi)硞€(gè)性狀的關(guān)聯(lián)
在恰當(dāng)?shù)貙⒚總€(gè)表型編碼并歸類(lèi)為四種數(shù)據(jù)類(lèi)型之一后（連續(xù)型、有序分類(lèi)型、無(wú)序分類(lèi)型和二分類(lèi)型）后，將檢驗(yàn)需研究性狀和所有表型的關(guān)聯(lián)，具體如下。表型和該性狀分別為回歸的自變量和因變量。所有的回歸都校正招募時(shí)的年齡和性別（如果該性狀具有遺傳性，再加上基因型），或者如果指定了混淆文件（confounder file），則校正混淆文件中的所有變量。對(duì)轉(zhuǎn)換后的連續(xù)型數(shù)據(jù)類(lèi)型，用線性回歸（R函數(shù)lm）檢驗(yàn)關(guān)聯(lián)。對(duì)有序分類(lèi)型、無(wú)序分類(lèi)型和二分類(lèi)型變量，分別用有序邏輯斯蒂回歸（R函數(shù)polr）、多項(xiàng)式邏輯斯蒂回歸（R函數(shù)multinom）和二項(xiàng)式回歸（R函數(shù)glm，family參數(shù)設(shè)為binomial）。當(dāng)樣本量低于500時(shí)，不檢驗(yàn)該變量，這種情況通常出現(xiàn)在對(duì)子人群進(jìn)一步提問(wèn)的少部分字段（比如，字段22148[http://biobank.ctsu.ox.ac.uk/showcase/field.cgi?id=22148]）。當(dāng)分類(lèi)變量的類(lèi)別多于1000種（超過(guò)multinom函數(shù)的默認(rèn)最大值），也不檢驗(yàn)，在下文使用說(shuō)明中有一個(gè)例子（字段132[http://biobank.ctsu.ox.ac.uk/showcase/field.cgi?id=132]）。
用PHESANT做個(gè)性化表型組掃描分析
PHESANT允許研究者通過(guò)簡(jiǎn)單修改數(shù)據(jù)編碼和變量信息文件，實(shí)現(xiàn)個(gè)性化表型組掃描分析。具體如下：
?改變變量的數(shù)值型取值（比如將取值再編碼為缺失）或者有序分類(lèi)變量的取值順序；
?當(dāng)分類(lèi)型（單）變量存在表意不明的取值時(shí)，賦予缺省值（見(jiàn)補(bǔ)充部分S1）；
?將分類(lèi)型（單）字段改為分類(lèi)型（多）字段類(lèi)型，這對(duì)一部分字段可能比較合適；
?指定哪個(gè)變量在表型組掃描前應(yīng)該被剔除；
?指定表型組數(shù)據(jù)中哪些字段基本上與需研究的性狀一致[比如，體重、身高體重指數(shù)（BMI）]，這樣在表型組掃描分析后，字段與性狀之間關(guān)聯(lián)的結(jié)果將僅用于驗(yàn)證，不在結(jié)果中，避免不必要的多重檢驗(yàn)。
? ? 以下兩種方式可以進(jìn)一步幫助實(shí)現(xiàn)個(gè)性化分析：
i.用戶(hù)可以在運(yùn)行之前調(diào)整數(shù)據(jù)，比如，用中位數(shù)而不是均值整合連續(xù)型數(shù)值，或者整合某字段多個(gè)時(shí)間點(diǎn)的數(shù)據(jù)。
ii.用戶(hù)可以保存PHESANT處理好的表型，進(jìn)一步用這些變量做個(gè)性化分析。
結(jié)果輸出
PHESANT對(duì)結(jié)果中的p值排序，輸出結(jié)果文件、QQ圖，對(duì)連續(xù)型、有序分類(lèi)型和二分類(lèi)型中低于Bonferroni校正閾值的結(jié)果繪制森林圖[無(wú)法保證無(wú)序分類(lèi)型結(jié)果中的森林圖，因?yàn)椴](méi)有這些模型整體的預(yù)估（和置信區(qū)間），模型p值來(lái)源于似然比例檢驗(yàn)]。
其余部分是關(guān)于PHESANT-viz如何網(wǎng)頁(yè)可視化表型組掃描結(jié)果、案例展示和使用說(shuō)明和討論，暫時(shí)不譯，未完待續(xù)。
