什么是 SimpleM？

在 GWAS（全基因组关联研究）中，我们通常需要对数百万个单核苷酸多态性（SNPs）进行假设检验，从而发现与目标表型相关的遗传变异。然而，这种大规模的多重检验问题容易导致假阳性，因此需要对显著性水平进行矫正（如 Bonferroni 矫正）。

然而，基因组数据中的 SNPs 并非完全独立，它们通常呈现高度的连锁不平衡（Linkage Disequilibrium, LD）。因此，传统的多重检验方法可能会过于严格，导致我们错失真正的信号。

SimpleM 是一种用于计算 “有效检验数量”（Effective Number of Tests, Meff） 的统计方法。通过对遗传数据中 LD 矩阵的特征值分解（Eigenvalue Decomposition, EVD），SimpleM 能够估计 SNPs 的独立信息成分数量，从而提供一种合理的多重检验矫正标准。

有效检验数量（Meff）

有效检验数量的核心思想是通过度量数据的相关性，简化假设检验的规模：

1. 直观解释
   Meff 是一个反映 SNP 独立性的信息量指标。对于高度相关的 SNPs（如位于同一个 LD 区域的变异），它们共享的大部分信息可以被归纳为一个“独立单元”。因此，实际需要检验的有效独立单元比总 SNP 数量要少。

2. 数学定义
   在 SimpleM 方法中，基于 LD 矩阵的特征值 (\lambda_i) 分解。

3. 应用场景
   Meff 被用来调整显著性阈值，比如替代传统 Bonferroni 矫正中的显著性水平。

这比直接使用 SNP 总数更合理，也能提高研究的统计效能。

代码示例

首先需要说明的是，本文提供的代码并非100%准确，仅仅为各位朋友提供参考信息。请各位在使用前仔细阅读斟酌。首先是SimpleM的R代码，也是计算的核心脚本。

#============================================================================
# simpleM_Ex.R 

#============================================================================
# License:  GPL version 2 or newer. 
# NO warranty. 

#============================================================================
# citation: 
#
# Gao X, Starmer J and Martin ER (2008) A Multiple Testing Correction Method for
# Genetic Association Studies Using Correlated Single Nucleotide Polymorphisms. 
# Genetic Epidemiology 32:361-369
#
# Gao X, Becker LC, Becker DM, Starmer J, Province MA (2009) Avoiding the high 
# Bonferroni penalty in genome-wide association studies. Genetic Epidemiology 
# (Epub ahead of print) 

#============================================================================
# readme: 
# example SNP file format:
# row => SNPs
# column => Unrelated individuals 

# The data file should contain only POLYMORPHIC SNPs. 

# Missing values should be imputed. 
# There should be NO missing values in the SNP data file.
# SNPs are coded as 0, 1 and 2 for the number of reference alleles. 
# SNPs are separated by one-character spaces. 

# You may need to change file path (search for "fn_In" variable) 
# depending on where your snp file is stored at.

#============================================================================
# Meff through the PCA approach 
# use a part of the eigen values according to how much percent they contribute
# to the total variation 
Meff_PCA <- function(eigenValues, percentCut){
    totalEigenValues <- sum(eigenValues)
    myCut <- percentCut*totalEigenValues
    num_Eigens <- length(eigenValues)
    myEigenSum <- 0
    index_Eigen <- 0

    for(i in 1:num_Eigens){
        if(myEigenSum <= myCut){
            myEigenSum <- myEigenSum + eigenValues[i]
            index_Eigen <- i
        }
        else{
            break
        }
    }   
    return(index_Eigen)
}

#============================================================================
# infer the cutoff => Meff
inferCutoff <- function(dt_My){
    CLD <- cor(dt_My)
    eigen_My <- eigen(CLD)

    # PCA approach
    eigenValues_dt <- abs(eigen_My$values)
    Meff_PCA_gao <- Meff_PCA(eigenValues_dt, PCA_cutoff)
    return(Meff_PCA_gao)
}

#============================================================================
PCA_cutoff <- 0.995

#============================================================================
# fix length, simpleM
fn_In <- "请修改这里的文件路径/snpSample.txt"
mySNP_nonmissing <- read.table(fn_In, colClasses="integer")     

numLoci <- length(mySNP_nonmissing[, 1])

simpleMeff <- NULL
fixLength <- 133 
i <- 1
myStart <- 1
myStop <- 1
while(myStop < numLoci){
    myDiff <- numLoci - myStop 
    if(myDiff <= fixLength) break

    myStop <- myStart + i*fixLength - 1
    snpInBlk <- t(mySNP_nonmissing[myStart:myStop, ])
    MeffBlk <- inferCutoff(snpInBlk)
    simpleMeff <- c(simpleMeff, MeffBlk)
    myStart <- myStop+1
}
snpInBlk <- t(mySNP_nonmissing[myStart:numLoci, ])
MeffBlk <- inferCutoff(snpInBlk)
simpleMeff <- c(simpleMeff, MeffBlk)

cat("Total number of SNPs is: ", numLoci, "\n")
cat("Inferred Meff is: ", sum(simpleMeff), "\n")

#============================================================================
# end 

下面是处理Raw数据生成矩阵并通过调用上面的simpleM_Ex.R 脚本进行计算的R代码

install.packages("data.table")
install.packages("corpcor")
# 加载必要的包
library(data.table)
library(corpcor)

# 读取基因型数据，使用plink获得的raw数据
genotype_data <- fread("修改为你的路径/my_genotype.raw", header=TRUE)

# 删除前6列非基因型信息（FID, IID, PAT, MAT, SEX, PHENOTYPE）
genotype_data <- genotype_data[, -(1:6), with=FALSE]

# 转置矩阵，使行表示SNP，列表示个体
genotype_matrix <- t(as.matrix(genotype_data))

# 检查基因型矩阵中是否有缺失值或无穷值
any(is.na(genotype_matrix))  # 返回TRUE则表示有NA值
any(is.infinite(genotype_matrix))  # 返回TRUE则表示有无穷值

# 使用平均数填充NA
#genotype_matrix[is.na(genotype_matrix)] <- rowMeans(genotype_matrix, na.rm = TRUE)

# 定义计算众数的函数
getmode <- function(v) {
  uniqv <- unique(v[!is.na(v)])  # 去除NA后获取唯一值
  uniqv[which.max(tabulate(match(v, uniqv)))]  # 返回出现次数最多的值
}

# 使用众数替换每行中的缺失值
for (i in 1:nrow(genotype_matrix)) {
  mode_value <- getmode(genotype_matrix[i, ])
  genotype_matrix[i, is.na(genotype_matrix[i, ])] <- mode_value
}

# 检查是否还有缺失值
any(is.na(genotype_matrix))  # 如果返回FALSE，说明所有缺失值已被填充

# 将转置后的矩阵保存为纯文本文件，供SimpleM使用
write.table(genotype_matrix, file="将矩阵写入的文本文件/snpSample.txt", row.names=FALSE, col.names=FALSE, quote=FALSE, sep=" ")


# 在R中运行脚本
source("修改为你的simpleM_Ex.R文件的保存路径/simpleM_Ex.R")

由于我使用的芯片分型，因此原始SNP数量就很少。如果你使用的重测序数据Call的SNP，情况可能很不一样。同样，仅供参考。