conditional-analysis

精细定位
通常情况下GWAS或是meta分析检验的是基于单个SNP模型的相关，所估计的效应量为被检验SNP的边际效应，但相比于多SNP模型的联合效应，单个SNP模型的边际效应并没有考虑该SNP与周围SNP的LD。

这会带来两个问题：

如果两个SNP成负相关，那么这两个SNP的效应都会被减弱。
如果两个SNP都达到了显著的阈值，事后很难通过LD来确定这两个SNP的相关的程度。

上一步计算出GWAS的阈值之后，我们进行eQTL的精细定位。GWAS的定位结果常常用曼哈顿图展示，曼哈顿图的横轴为SNP的在染色体上的坐标位置，纵轴为各SNP的log10（P），SNP的P值越小，峰越高。曼哈顿图中过阈值的点代表与性状显著关联的QTL，同一个峰值常常存在着多个与性状显著关联的QTL，这些QTL中有些有很强的连锁不平衡，不是独立的SNP。为了区分这些SNPs，以精细定位到独立的QTL，我们使用了顺序逐步回归的方法（Yang et al.,2012）。此方法是将SNP按P值从小到大逐个引入模型，每引入一个SNP后都要对剩下的每个SNP分别进行检验，并估计前面所有选定的SNPs的联合效应。这样可以识别一个位点上的次级关联信号，以该位点上的主要关联SNP作为条件进行LD修正，从而检测是否存在其他显著关联的SNP，最终保证所有得到的SNP都是最优的。

使用GCTA-COJO（multi-SNP-based conditional & joint association analysis using GWAS summary data）来进行QTL精细定位（Yang et
al.,2012）。

共线性