SNP的LD剪枝与聚集 LD pruning & clumping

GWAS相关的研究中，很多时候我们需要从总的SNP数据中，基于SNP两两之间的LD，来抽取出一个不含互相关联SNP的子集，目前主要的两种方法分别是 LD pruning 与 clumping。

例如，

在进行主成分分析（PCA）时，我们需要事先对SNP进行LD pruning 以去除互相关联（处于LD）的SNP，以防止高LD区域过高的方差对结果的影响。

在计算风险分数PRS时，我们需要从显著的loci中选取具有代表性的SNP来计算分线分数，这时就需要进行clumping，基于LD的r2，以及GWAS所得到的p值，来筛选出这个LD区域中的代表SNP（重要性最高），这样我们可以获得更准确的风险分数。

LD pruning 与 clumping 方法的异同如下所示：

具体算法上，可以简单理解为：

Pruning：选取第一个SNP，然后计算这个SNP与窗口区间里第二个，第三个，等等的r2，当检测到高的相关性时，就会从这一对SNP中去除MAF较低的那个，保留 MAF 高的，也就是说这个过程中可能会去除掉我们选的第一个SNP。完成后下一步就是选取下一个SNP，重复这个过程。

Clumping：首先会依据从GWAS得到的p值对SNP的重要性进行排序，然后选取排序后的第一个SNP， 计算这个SNP与 窗口区间里 其他SNP的r2， 当检测到高的相关性时，就会从这一对SNP中去除重要性低的那个， 这个过程中我们选的第一个SNP一定会得到保留。 完成后下一步就是选取 p值 排序后的下一个 SNP，重复这个过程。

PLINK中提供了 Pruning 和 Clumping 的功能：

Pruning：

我们主要是用–indep-pairwise选项，也就是根据SNP两两之间的LD来pruning。

--indep-pairwise  <window size>['kb']  <step size (variant ct)>  <r^2 threshold>

例 --indep-pairwise 500 50 0.2
这三个参数代表的意思分别是： 窗口大小，每一步移动窗口的距离，以及判定关联的r2阈值

plink -bfile input --indep-pairwise 500 50 0.2 --out input_pruned

输出两个文件
input_pruned.prune.in    #pruning后保留的互不相关的SNP
input_pruned.prune.out  #去除掉的SNP

Clumping:

PLINK提供了多种参数选项，具体可以参考：https://www.cog-genomics.org/plink/1.9/postproc

参考：

https://www.cog-genomics.org/plink/1.9/postproc

https://www.cog-genomics.org/plink/1.9/ld

https://www.biostars.org/p/343818/