群体结构与GWAS有什么关系

更新：2026-10-26；状态：可用；验证范围：官方/原始来源核对；标准库教学算例已实跑；专业流程范围见正文。

某等位基因在一个来源群体更常见，而该群体的性状均值也因环境或背景不同而更高，即使该位点不影响性状，也会出现关联。群体结构是这种系统差异的一个来源；它影响的是研究设计、均值与协方差，而不是PCA图上是否“分成漂亮的簇”。本页要求能用数字说明混杂，并区分PC协变量、关系矩阵和真实研究目标。

从遗漏变量看假关联

设真实条件模型为 $y=\alpha+\beta g+\delta z+e$，g是待检验剂量，z是未控制的群体/环境背景。若只拟合g，简化OLS斜率会包含 $\delta,Cov(g,z)/Var(g)$ 这一遗漏项。只要背景影响y且与g相关，就可能偏离目标β；不需要该标记是真因果点。

群体来源还可能与测序平台、缺失、批次及亲缘重合。因此先看样本表和测量过程，再决定结构控制；若批次与来源完全混杂，不能根据一个统计校正就宣称已经分离生物与技术原因。统一结构与亲缘混合模型原始研究

八个样本的反例

A群体四人的g为0、0、1、1，y全部0；B群体g为1、1、2、2，y全部4。群体内g变化不伴随性状变化，构造中真实条件效应为0。但忽略来源的OLS给出斜率2，仿佛每份ALT提高2单位。

把z设为A=0、B=1并同时加入截距、g后，系数为截距0、g效应0、群体效应4。这里两群体存在共同剂量1和内部变化，所以设计可区分；若g恰好与z完全一致，模型会共线，不可能凭增加一个PC就恢复唯一因果效应。该无噪声例只说明均值混杂，不计算真实GWAS的P值。

PC和K控制的不是同一件事

PC可从LD处理后、质量稳定的一组标记提取主要变异方向，作为X中的固定协变量调整均值。它们也可能反映近亲、长LD片段或技术批次，所以应按来源、缺失、平台及家系着色，而不是只按目标表型选择“最有用的轴”。

关系矩阵K进入随机效应协方差，常见LMM写 $y=X\gamma+x_j\beta_j+u+e$，$u\sim N(0,K\sigma_g^2)$。K处理更细的相关背景，但K构建集合、频率和尺度仍影响模型。GEMMA原始方法

PC与K有不同功能，可以在合理设计中同时出现；没有固定的“PC只能取3个”规则。过少可能剩余混杂，过多可能耗自由度或吸收目标信号。检验位点所在区域进入背景还涉及LOCO与近端污染，不能把LOCO当成所有群体结构的统一修复。

从准备到诊断

先做ID和等位方向对齐，检查来源/平台/家系与表型分布；为PCA/K保存合适的标记集合，不机械把全部关联位点剪枝掉。预先设置协变量与合理敏感性方案，再执行关联，检查失败、频率、效应、QQ图和关键区域。

QQ图膨胀可能来自混杂、真实多基因性或模型/技术问题；过度压缩也可能是校正过强。不能只调PC数直到图贴线，更不能按显著位点最多选择模型。比较模型时固定相同个体、位点和检验类型，记录方差及协变量，必要时使用独立队列或家系设计补充证据。

什么时候改研究设计比换软件更重要

若病例全来自一个来源而对照全来自另一个，或群体与批次完全重合，问题可能缺少可辨别信息。应考虑补充匹配抽样、群体内分析与适当综合，而不是反复换模型直到出现想要的结果。家系相关、二分类不平衡和低频MAC还涉及另外的推断条件，不能认为PCA做过就一切完成。

从关联到解释仍需区分直接因果、LD代理和结构代理。候选位点在另一个群体方向相同是有用证据，但频率、LD和环境不同也会改变检出能力；不复现不能仅归因于“样本太小”。操作见用PCA探索样本的群体结构和GWAS参数选择与敏感性分析。

动手：运行后先对照什么

在下载项目的根目录执行；只需Python 3标准库，不安装专业统计包：

python3 examples/methods_genetics_demo.py --case structure

输出未调整模型斜率2、加入群体指示后的g斜率0和群体系数4。将8个数画成按来源着色的小表，先看组内关系，再看合并关系。

本例只有可解OLS算术，不运行PCA、LMM、REML或GWAS显著性检验；不是PC/K功效的模拟基准。

命令只向终端打印JSON。若要保存所有22个小例，可用python3 examples/methods_genetics_demo.py --output examples/output/methods-genetics-practice1；目录必须新建或为空，已有结果不会被覆盖。源代码见标准库方法算例。

排错：先定位原因再改参数

症状	可能原因	下一步检查
群体间显著、组内无效应	来源/环境混杂	比较组内分布与调整模型的可估计性
PC调整后设计奇异	协变量重复或与剂量完全相关	检查秩；承认当前数据无法分离
QQ图不贴线	混杂、多基因性或误差	核对频率、批次、相关性及模型，而非只调PC

自测与答案

1. 做过PCA就等于控制了全部亲缘吗？ 不等于；少量主轴和完整相关结构承担不同任务。

2. 标记与群体完全重合时，加入群体变量一定能识别标记效应吗？ 不能，缺少独立变化会使设计不可识别，需要更合适的数据或研究目标。

原有实践与延伸入口

群体结构是什么；批次效应与混杂；线性模型与混合模型；GWAS从数据准备到结果解释；PLINK --glm 模型范围；GEMMA 混合模型论文。

学习顺序、前置与练习清单见方法与算法系统学习指南。

公式里的矩阵、下标或对数不熟时，可回查读懂方法公式的最小数学基础。