Engage to Life Energy
GWAS研究中的样本量估算与统计功效
发布日期：2023-03-06浏览：
次
全基因组关联分析（Genome Wide Association Study，GWAS）是已广泛用于寻找与复杂遗传疾病或者性状关联的SNPs。此研究计划的第一步是估算需多少个样本才能以足够的功效（Power）来检测已知SNP对性状的效应值。其中功效是指能够成功检测到SNP效应值的概率，也就是1-β(β为常见的假设检验中的第二类错误)，一般需在80%以上，它主要由以下三个因素决定，包括SNP效应值、样本量和设定的第一类错误（α）。我们介绍一个网页界面的在线分析工具GAS Power Calculator，它的初始版本CaTS截至2017年已在1000个GWAS研究中被使用（http://csg.sph.umich.edu/abecasis/gas_power_calculator/index.html）【1】。
为了使用GAS Power Calculator，我们需要先了解以下若干个基本概念。
1) OR (Odd Ratio) 值是度量SNP效应值或者也叫做关联强度，当基因型为AA时总人群的患病人数比例（PAA），健康人数比例则为（1 - PAA），那么OddAA为PAA /（1 - PAA），当基因型AG时如上同理得到OddAG，那么OR值表示OddAG / OddAA ，同理以是否携带等位基因A与G时，可表示为OddG / OddA。
2) GRR（Genotype Relative Risk）值是指相对风险，比如相对于基因型AA时基因型AG的相对风险是PAG / PAA，基因型GG则是PGG / PAA。
3) α（第一类错误）是指假设检验中的原假设为真的时候，拒绝原假设的概率为α。
4) β（第二类错误）是指假设检验中的原假设为假的时候，接受原假设的概率为β。
5) Power（功效）指1 –β，表示能得到指定OR值或者RR值的可能性，一般GWAS研究估算的样本量需要达到80%的统计功效。
6) Disease Allele Frequency（DAF，致病等位基因频率）是指总人群中致病等位基因（碱基）中的频率。
7) Prevalence（患病率）是指总人群中患病人数比例。
GAS Power Calculator在线工具需要输入信息包括已知Prevalence、DAF、各个基因型下的GRRs、α显著性水平（以基因芯片为例，一般为5╳10-8）和抽样的健康人数和患病人数，输出信息包括期望功效、患病组与健康组的期望DAF 和 各个基因型下的总人群内患病人数比例，我们以2009年和2017年发表的两篇关于脑胶质瘤的GWAS研究为案例【2,3】进行在线操作与结果展示。
首先简略介绍下一个风险位点rs10069690（rs编号），它位于第5号染色体的5p15.33区域、物理位置为第1,279,790个碱基以及注释基因TERT，这个位点的GRR为1.45，脑胶质瘤患病率小于0.0001，DAF来自于GnomAD数据库。
我们访问网址（见上），依次输入信息包括Prevalence（0.0001）、GRR（1.45）、Disease Model（Additive）、Significance Level（5╳10-8）、Statistical Power vs.（Cases + Controls）、DAF（0.3584）， 基于以上输入信息，GAS Power Calculator给出估算总样本数（健康人数和患病人数）与功效的函数曲线（如图1的右图）。通过此图可以看到当功效为80%时，红线所示其估算的样本数大约为5000例。而2009年发表的文章实际采用患病人数为1,878例、健康人数3,670例和总人数为5,548例，因此与GAS Power Calculator估算的样本数基本吻合。我们修改输入信息Cases（1,878）和Controls（3,670），计算功效达到99.4%（如图2），说明当总人数为5,548时有99.4%的可能性检测到此SNP位点的效应值。
图1，输入信息、估算样本量与功效的函数曲线
图2，期望功效、健康组与患病组的DAF
再简略介绍下另一个风险位点rs3751667，它位于第16号染色体的16p13.3区域、物理位置为1,004,554个碱基以及注释基因LMF1，这个位点的GRR为1.14。
访问网址，依次输入信息包括Prevalence（0.0001）、GRR（1.14）、Disease Model（Additive）、Significance Level（5╳10-8）、Statistical Power vs.（Cases + Controls）、DAF（0.2844），基于以上输入信息，GAS Power Calculator给出估算总样本数（健康人数和患病人数）与功效的函数曲线（如图3的右图）。通过此图可以看到当功效为80%时，红线所示其估算的样本数大约为30,000例。如按照之前5000例的数据是无法筛选到此SNP的（阈值设定为5╳10-8），确实2009年发表的文章也没有报道此SNP。但2017年发表的文章报道了这个新风险位点，研究人员实际采用的样本量扩大到患病人数为12,496例、健康人数18,190例和总人数为30,686例。我们修改输入信息Cases（12,496）和Controls（18,190），计算功效达到94.1%（如图4），说明当总人数为30,686时有94.1%的可能性能检测到此SNP位点的效应值。
图3，输入信息、估算样本量与功效的函数曲线
图4，期望功效、健康组与患病组的DAF
通过以上的在线分析，我们可以了解到当效应值越小，想达到相同功效则需要更多样本量。另外读者也可以自己尝试和观察不同的输入和返回的结果，可以发现当DAF越接近0.5，想达到相同功效需要更少的样本量，健康组与患病组的样本量之比越接近1，功效越高，如图5【4】。
图5，当患病率为5%下、健康组与患病组的样本量之比为1、α显著性水平为5%、不同DAF（或MAF）和OR效应值下，患病数与功效的函数曲线
参考文献
[1] Jennifer Li Johnson, Goncalo R. Abecasis. GAS Power Calculator: web-based power calculator for genetic association studies. Biorxiv. 2017. doi: https://doi.org/10.1101/164343.
[2] Sanjay Shete et al., Genome-wide association study identifies five susceptibility loci for glioma. Nat Genet. 2009 Aug;41(8):899-904. doi: 10.1038/ng.407.
[3] Beatrice S Melin et al., Genome-wide association study of glioma subtypes identifies specific differences in genetic susceptibility to glioblastoma and non-glioblastoma tumors. Nat Genet. 2017 May;49(5):789-794. doi: 10.1038/ng.3823.
[4] Eun Pyo Hong, Ji Wan Park. Sample size and statistical power calculation in genetic association studies. Genomics Inform. 2012 Jun;10(2):117-22. doi: 10.5808/GI.2012.10.2.117.
