混杂因素confounding会影响outcom -> radomisation method but immoral -> MR
MR comes from Mendel’s Laws(segregation:randomly inheritance;independent assortment:no LD)
(当使用TWAS 混杂因素影响怎么去掉？)
3 MR core assumptions:
y=u+G+E+GE+e
提高GS准确性：
note：选择指数（指数辅助）：选定某一目标性状，选择指数SI
选择指数与性状之间的遗传决定系数；
多性状和选择指数的区别
预测精度：育种值
预测能力：表型值
育种值和表型值的关系：https://blog.csdn.net/zjguilai/article/details/90707052
性状和方法间的互作 F-test
基于GWAS获得p值小的snp进行GS
22.12.10
SNPBLUP ：每个snp（rrBLUP）
GBLUP：kinship G矩阵IBS snp的和
IBS怎么矫正群体结构（可能把主效基因矫正没了,即假阴性)
IBS怎么做GS
有的群体结构为什么IBS矫正不掉：marker密度不同 分布不均匀，重组不均一，理想情况下一个重组一个marker；frequency是偏的；原假设是极少数相关，但现实遗传力高，比如20%的marker都与性状相关。
PCA用IBS和每个snp的区别，解释的pc1 IBS版低。
最小二乘法
最大似然法
贝叶斯
modeling computering
rrBLUP
统计基础：linear algerbra
概率与似然
最小二乘法
极大似然
最小二乘法与极大似然区别联系
回归的正则化
Ridge
Lasso
Elasticnet
Bayes回归
(即解y=ax+b)
zhihu.com/p/72370235
如何解混合线性模型
填充群体
call snp
phase:
reference panel
trios
sQTL影响可变剪切丰富度
missing regulation –developmental GTEx
遗传变异丰富
Farm GTEx意义：
找到与真正casual variant最相近的snp，提升芯片预测准确度。
物种间的借鉴意义
组织间的借鉴意义
在不同组织共定位的意义
rnaseq 填充可以解决cis QTL问题 不能解决trans eQTL问题
MBRA 功能变异验证
遗传力富集区域
怎么知道是甲基化了影响 介导
杨树 松树 注释转录调控区域
不同种群 荟萃分析
参考单倍型图谱，群体水平上 rnaseq reference: UTR
encode计划：功能注释 同一生态型不同时期；ATACseq hi-c
800个转录因子的atacseq
做一个生态型
gtex：独立生态型 IBS 同一个体筛掉SNPcall
不同环境 可塑性怎么遗传
标签转移
https://github.com/fjchange/Papers-Notes/blob/master/LPA（标签转移算法）.md
数据点相近具有相似的标签
原位atac-seq
空间组学
color space
表达可塑性
DEG principle
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。
how to pick ‘p threshold’？
为了探究组织间的共表达网络的保守性和多样性，我们进行了加权共表达网络的构建。本部分使用R语言的WGCNA包进行分析(Langfelder and
Horvath, 2008)。
首先我们进行数据整理，在每个组织中随机选取2000个表达基因，通过“goodSamplesGenes”函数检验缺失值并对缺失值处理，随后通过样本聚类分析剔除离群样本，从而减少样本因素导致的误差。
其次，我们对样本进行了层次聚类，进一步使用bicor相关系数进行基因间的表达相关系数的计算，后选取拟合曲线第一次接近0.9时的软阈值参数，将基因分类构成基因共表达模块，并验证共表达网络是否符合无尺度网络，即出现连接度为k的节点的对数log（k）与该节点出现的概率的对数log（P（k））要负相关，且相关系数要大于0.85。本研究通过“pickSoftThreshold”函数进行筛选最佳软阈值筛选。
(SoftThreshold)
再次，我们将表达矩阵转换成邻接矩阵，然后再将邻接矩阵转换成拓扑矩阵（TOM），基于TOM，我们使用average-linkage层次聚类法对基因进行聚类，按照混合动态剪切法在确定基因模块后，我们依次计算每个模块的特征向量值（eigengenes），然后对模块进行聚类分析，将距离较近的模块合并成新的模块，本部分使用“blockwiseModules”函数进行分析，设置mergeCutHeight =0.1、deepSplit=2、minModuleSize=30、pamStage=F。
为了探究表达基因在组织间的保守性和多样性，挖掘组织间不同生态型表达的保守性和多样性，我们对玉米关联群体中298个生态型在7个组织中的表达矩阵进行聚类分析。为了避免低表达基因或未表达基因对结果造成的影响，我们在每个组织中筛选相同的100个个体和5000个基因表达量用于后续分析。为了避免不同组织以及基因表达差异的影响，我们首先使用z-score公式（公式2.2）对每个基因在不同个体中的表达数据进行归一化，随后使用处理过的表达量信息计算两两样本间的欧式距离，然后利用欧式距离实现样本的聚类。
我们使用R语言的gplot包中的heatmap.2函数进行聚类分析(Warnes et al., 2015)。
R package：fossil
euclidean
https://www.jianshu.com/p/50cb85285af0
https://www.bioinformatics.babraham.ac.uk/training/10XRNASeq/Dimension%20Reduction.pdf