用PCA探索样本的群体结构

更新：2026-10-13；状态：可用；验证范围：合成数据实测。

从经过质控的基因型出发，减少位点冗余、计算主成分，并结合样本信息检查结果。

输入和准备

需要 qc.pgen/.pvar/.psam 以及带唯一 ID 的样本表。先理解群体结构是什么、PCA原理与实现和连锁不平衡与LD剪枝。下面命令在合成数据贯通PCA与GWAS中已实测。

1. 生成并应用剪枝名单

plink2 --pfile qc --indep-pairwise 50 5 0.2 --out prune
plink2 --pfile qc --extract prune.prune.in --pca 5 --out pca

这是位点数窗口的教学选择。运行前记录质控口径和物种染色体设置。运行后检查名单不为空、位点 ID 唯一、实际进入 PCA 的位点数及样本数符合预期。

2. 按ID连接样本信息

.eigenvec 保存样本坐标，.eigenval 保存对应特征值。读取时核对标题行里的 FID/IID 规则，按实际 ID 列合并元数据，不能仅按行顺序贴上分组。重复或未匹配 ID 应先解决，见样本表与数据审计实践。

3. 绘图和判断

先画 PC1 对 PC2，再看其他轴。分别按群体来源、批次、性别、缺失率与家系标记，比较是否出现技术因素或亲缘驱动的分离。查异常点时回看原始记录，不能只因“离群”就删除样本。

PCA 坐标轴正负号不影响相同轴上的相对关系；二维分离不能直接证明独立群体或祖源比例。若只计算五个特征值，不能简单用其和作为全部方差分母。

4. 交接到GWAS

保存位点名单、频率口径、样本 ID、工具版本、完整命令和图。选择 PC 协变量要结合设计和诊断，见群体结构与GWAS有什么关系。

深入：PLINK PCA 与投影说明、PCA 实践方法论文。