Skip to contents

潜在因果变量分析(LCV)

LCV_run.Rd

软件官网：https://github.com/lukejoconnor/LCV。

Usage

LCV_run(
  Sumstatsfile = c("./xxx.sumstats.gz", "./xxx.sumstats.gz"),
  ldscoresFile = NULL,
  no.blocks = 100,
  crosstrait.intercept = 1,
  ldsc.intercept = 1,
  n.1 = 1,
  n.2 = 1,
  intercept.12 = 0
)

Arguments

Sumstatsfile

包含两个.sumstats.gz格式文件路径向量，由LDSC_py_sumstats()函数转换获得。

ldscoresFile

字符串，LD分数文件的目录路径，设置为NULL时，默认使用欧洲人群 LD 分数文件。

no.blocks

整数，Jackknife 方法中分成的区块数量。它决定如何将数据划分成若干区块，以估计标准误差。

crosstrait.intercept

逻辑值，0 表示交叉性状的 LDSC 截距应固定，1 表示不固定。建议使用 1 来优化分析。

ldsc.intercept

逻辑值，0 表示 LDSC 截距应固定，1 表示不固定。建议使用 1 来优化分析。

n.1

整数，性状 1 的样本大小，仅在 ldsc.intercept = 0 时需要。

n.2

整数，性状 2 的样本大小，仅在 ldsc.intercept = 0 时需要。

intercept.12

标量，性状 1 和性状 2 之间采样误差的协方差，仅在 crosstrait_intercept = 0 时需要。如果两个 GWAS 数据集没有重叠，可以设置为 0。

Value

返回一个包含多个统计量的列表，具体包括：

  • zscore：遗传因果关系的 Z 分数。zscore >> 0 表示 gcp > 0，意味着性状 1 对性状 2 有遗传因果影响。

  • pval.gcpzero.2tailed：零假设 gcp = 0 的双尾 p 值，用于判断遗传因果关系是否显著。

  • gcp.pm：后验均值的 gcp 值。gcp = 1 表示性状 1 对性状 2 具有因果关系，gcp = -1 表示性状 2 对性状 1 具有因果关系。

  • gcp.pse：后验标准误差，表示 gcp 估计值的不确定性。

  • rho.est：估计的遗传相关性，衡量性状 1 和性状 2 之间的遗传联系。

  • rho.err：遗传相关性估计的标准误差。

  • pval.fullycausal：两个 p 值，分别对应于 gcp = 1 和 gcp = -1 的零假设的 p 值。

  • h2.zscore：两个性状的遗传性 Z 分数，表示性状 1 和性状 2 的遗传性。建议报告 Z 分数大于 7 的结果（这是一个非常严格的阈值）。