-
Notifications
You must be signed in to change notification settings - Fork 2
/
QTL_detection_with_QTLRel.R
executable file
·226 lines (143 loc) · 8.63 KB
/
QTL_detection_with_QTLRel.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
#--------------------------------------------------------------------------------------------------
#
# SCRIPT R : QTL DETECTION WITH QTL REL
#
# Holtz Yan
#---------------------------------------------------------------------------------------------------
#-- OBJECTIF
# Ce script permet de calculer le LOD de chaque marqueurs pour chaque variables phéno données.
# Il travaille pour un chromosome donné, et appel QTLRel
# Il sort un fichier nommé bilan_simple_marker qui servira d'entrée à l'application shiny de visualisation des QTL.
#-- FICHIER INPUT DANS L'ORDRE :
# Fichier de génotypage :
# Fichier de phénotypage :
# Carte génétique
# Chromosome d étude
# -- Récupération des Arguments
args <- commandArgs(trailingOnly = TRUE)
fic_geno=args[1]
fic_pheno=args[2]
fic_map=args[3]
#setwd("/NAS/g2pop/HOLTZ_YAN_DATA/DIC2_SILUR/QTL/PUBLI")
#fic_geno="genotypage.csv" ; fic_pheno="phenotypage.csv" ; fic_map="carte"
# Package / libraries nécessaires :
library(QTLRel)
set.seed(123)
#-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------#
#-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------#
# -------------------------------------------------
# PARTIE 1 : RECUPERATION DES 3 TABLEAUX D'ENTREE
# -------------------------------------------------
# --- Génotypage
# Le format du génotpage doit respecter les règles suivantes : 1/ Nom du fichier = fic_genotypage.csv 2/ en tete des colonnes = nom des geno 3/ données manquantes = "-" 4/ Séparateur=";"
genotype<-read.table(fic_geno, sep = ";" , header = F, na.strings = "-")
genotype=as.matrix(genotype)
colnames(genotype)=genotype[1,]
genotype=as.data.frame(genotype[-1 , ])
names(genotype)[1]<-"geno"
print("--- Your genotyping matrix looks correct. Dimension of the matrix are :")
print(dim(genotype))
# --- Carte
# Format de la carte : 3 colonnes : LG, nom du marqueur, position dans le LG
map <- read.table(fic_map , header=T , dec = ".", na.strings = "-" , check.names=F)
colnames(map) <- c("LG", "marqueur", "Distance","group_physique","Posi_physique")
rownames(map) <- map$marqueur
map$LG <- as.factor(map$LG)
print("--- Your genetic map looks correct. Dimension of the map are :")
print(dim(map))
# --- Phénotypage
BLUP<-read.table(fic_pheno, header = TRUE, sep=";")
colnames(BLUP)[1]="geno"
print("--- Your Phenotyping matrix looks correct. Dimension of the matrix are :")
print(dim(BLUP))
#-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------#
#-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------#
# -------------------------------------------------
# PARTIE 2 : FUSION PHENO / GENO
# -------------------------------------------------
BLUP[,1]<-as.character(BLUP[,1])
genotype[,1]<-as.character(genotype[,1])
don<-merge(BLUP,genotype, by="geno")
print("--- Nombre d'individu communs entre pheno et géno :")
dim(don)[1]
#-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------#
#-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------#
# ---------------------------------------------------------------------------------------------------
# PARTIE 3 : CALCUL QTL REL POUR UNE VARIABLE DONNEE --> ENCAPSULE DANS UNE FONCTION
# ---------------------------------------------------------------------------------------------------
run_my_QTLREL=function(select){
# Sous ensemble de don pour lequel la variable select n'est pas manquante !
don2<-don[which(!(is.na(don[,select]))),]
# Et Y va etre mon vecteur de phéno pour QTLRel
Y<-don2[,select]
# Et X va etre ma matrice de génotypage avec données manquantes:
X<-don2[,(ncol(BLUP)+1):ncol(don2)]
# Je vais remplacer les trous par des A et des B au hasard. Pour choisir l'un ou l'autre je vais choisir en faisant une binomiale avec comme proba la fréquence.
XNNA=X
my_fun=function(x){length(x[x=="A" & !is.na(x) ])/length(!is.na(x)) }
prop=apply(XNNA , 2 , my_fun)
for(i in c(1:ncol(XNNA))){
aa=XNNA[,i][is.na(XNNA[,i])]
bb=rbinom(length(aa),1,prob=prop[i])
XNNA[,i][is.na(XNNA[,i])]=c("B","A")[bb+1]
}
# Et je remplace par les "A" et "B" par des "AA" "BB" pour QTLREL
XNNA=as.matrix(XNNA)
XNNA[which(XNNA=="A")]<-"AA"
XNNA[which(XNNA=="B")]<-"BB"
# Maintenant je peux calculer ma matrice de Kinship:
K<-genMatrix(XNNA)
# I = matrice identité
I<-diag(length(Y))
# le premier modele sert a calculer la variance
mod1<-estVC(y=Y,v=list(AA=K$AA,DD=NULL,HH=NULL,AD=NULL,MH=NULL,EE=I))
mod1
# Et ma détection de QTL !
GWAS.mod1<-scanOne(y=Y,gdat=XNNA,vc=mod1,test="Chisq")
#-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------#
#-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------#
# ---------------------------------------------------------------------------------------------------
# PARTIE 4 : LA FONCTION DOIT TOUT METTRE DANS UN TABLEAU BILAN
# ---------------------------------------------------------------------------------------------------
# Get the mean value of each allele:
my_function=function(x, y) {
moy <- aggregate(y, by = list(marqueur = x), mean, na.rm = TRUE)
resu=data.frame(moy.A=moy$x[moy$marqueur == "A"],moy.B= moy$x[moy$marqueur =="B"] , a=abs(moy[1, 2] - moy[2, 2])/2)
return(resu)
}
my_mean = apply(X, MARGIN = 2, FUN = function(x,y) my_function(x, y), y=Y)
my_mean = matrix(as.vector(unlist(my_mean)) , ncol=3 , byrow=T)
# Get the p-values and R2 of each marker
bilan<-data.frame(marqueurs=colnames(X),pvalue=GWAS.mod1$p, r2=GWAS.mod1$v)
# Add the mean of each allele
bilan=cbind(bilan,my_mean)
# Link with the genetic map
bilan=merge(map,bilan,by.x=2,by.y=1,all=T)
# Compute the LOD score
bilan$LOD=-log10(bilan$pvalue)
# Add variable name
bilan$variable=colnames(BLUP)[select]
bilan=bilan[ , c(2,1,3:ncol(bilan))]
#Nom des colonnes
colnames(bilan)=c("LG","marqueur","Distance","group_physique","Posi_physique","pvalue","R2","moy.A","moy.B","a","LOD","variable")
return(bilan)
# Close the function
}
#-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------#
#-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------#
# -------------------------------------------------
# PARTIE 4 : CALCUL DU BILAN_SIMPLE_MARKER EN UTILISANT LA FONCTION
# -------------------------------------------------
to_check=names(BLUP)[sapply(BLUP,is.numeric)==TRUE]
print("les variables a analyser sont : ")
print(to_check)
bilan_simple_marker=data.frame()
print("variables faites : ")
for (i in to_check){
print(i)
a=run_my_QTLREL(which(colnames(BLUP) == i))
bilan_simple_marker=rbind(bilan_simple_marker,a)
}
# écriture du bilan
write.csv(x=bilan_simple_marker,file="bilan_simple_marker",row.names=F)
#-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------#