R语言实现群体遗传PCA分析与可视化实战

1. 群体PCA分析及可视化实战指南

在生物信息学和群体遗传学研究中，PCA（主成分分析）是最常用的降维和可视化技术之一。通过将高维基因型数据投影到二维空间，我们可以直观地观察样本间的遗传关系和群体结构。本文将基于R语言生态，详细解析从原始基因型数据到精美PCA可视化图的完整流程。

2. 数据准备与预处理

2.1 输入文件格式解析

群体PCA分析通常需要两种核心输入文件：

1. 基因型数据文件（如HapMap格式的.hmp.txt）：

   • 每行代表一个SNP标记
   • 每列代表一个样本的基因型（AA, TT, AT等）
   • 包含染色体、位置等元信息

2. 分组信息文件（group.txt）：

   • 第一列为样本ID，需与基因型文件匹配
   • 第二列为预先定义的群体分组
   • 支持多个分组级别（如地理群体、表型分组等）

关键提示：确保两个文件的样本ID完全一致，否则后续分析会出现样本丢失。建议在R中使用intersect()函数检查ID匹配情况。

2.2 数据格式转换实战

HapMap格式的基因型需要转换为数值矩阵才能进行PCA计算。GAPIT包的转换过程实际上执行了以下操作：

r复制# 等效的手动转换逻辑（理解原理用）
hmp_num <- apply(hmp[, -c(1:11)], 2, function(x){
  as.numeric(factor(x, levels = c("AA","TT","CC","GG","AT","AC","AG","CT","CG","TG")))
})
rownames(hmp_num) <- hmp[, 1]

实际项目中更推荐使用GAPIT进行专业转换，因为它能：

• 自动处理缺失基因型
• 提供更完善的等位基因编码方案
• 保留完整的样本和标记信息

3. PCA计算与结果解析

3.1 核心计算过程

prcomp()函数执行的是基于奇异值分解（SVD）的PCA计算，其数学本质是：

1. 中心化数据：每列减去均值（center=TRUE）
2. 标准化：每列除以标准差（scale.=FALSE时不做）
3. 计算协方差矩阵
4. 特征值分解得到主成分

r复制# 完整参数设置建议
p