GWAS分析前后的SNP和Indel位点该如何处理？

我问Gemini：虽然理论上SNP和Indel的gwas结果高度吻合的，但是只用SNP做GWAS就行了，还是说用SNP+INDEL合并来做，抑或是额外再做一个indel gwas？

Gemini 说：

您的理论直觉非常准确！由于基因组中强大的连锁不平衡（Linkage Disequilibrium, LD），在同一个单倍型区块内，SNP 和 InDel 的遗传轨迹几乎是绑定的，因此它们跑出来的 GWAS 信号峰通常是高度重合的。

针对您的具体问题，直接给您最成熟的业界标准建议：在全基因组关联分析（GWAS）打定位点的阶段，只用 SNP 就足够了。 不建议合并做，也不建议单独用 InDel 做 GWAS，主要基于以下几个核心科学和实践原因：

1. 数据质量差异导致模型噪音（最致命的问题）
   目前的二代测序（NGS）技术和变异检测软件（如 GATK, BCFtools）对 SNP 的 calling 准确率极高（通常 >99%）。但对 InDel 的检测准确率要低得多，尤其是在包含重复序列的区域，往往会产生大量的假阳性。
   如果将 InDel 和 SNP 合并丢给 rMVP，这些存在分型错误的 InDel 会悄悄污染您的 PCA（群体结构）和 Kinship（亲缘关系）矩阵。一旦底层的协变量矩阵被污染，整个模型的统计功效就会大打折扣。

2. LD 标签效应（标记冗余）
   您已经过滤得到了 295 万个高质量 SNP，对于水稻（~380 Mb）来说，平均每 130 bp 就有一个标记。在这样极其饱和的密度下，任何一个真实存在的因果 InDel，它的旁边绝对会有多个与它呈现极强 LD（r
   2
   接近 1）的 SNP 标记。
   换句话说，SNP 完全可以作为 InDel 的完美“代理标签”，把那个区域的显著性峰给顶出来。

3. 单独做 InDel GWAS 的局限性
   如果您单独提取 InDel 做 GWAS，由于 InDel 的整体数量远少于 SNP，且在基因组上分布极不均匀，不仅 GWAS 分辨率会大幅下降，曼哈顿图也会显得非常稀疏和难看，没有任何额外收益。

💡 现代植物育种的“黄金流程”（最佳实践）
虽然在全基因组扫描阶段不需要 InDel，但在寻找因果基因（Causal Gene）时，InDel 又是绝对不能丢弃的宝贝，因为导致表型变异的真正原因，往往就是编码区的移码突变（Frameshift InDel）或启动子区的 InDel。

目前顶刊（如 Nature Genetics, Molecular Plant 等）最标准的操作流程是这样的分步法：

宏观定位（全基因组阶段）： 使用严格质控后的纯 SNP 数据运行 rMVP（就像您现在做的一样），拿到显著的 GWAS 峰，锁定候选区间（例如 Chr1: 1.2M - 1.5M）。

微观挖掘（候选区间阶段）： 回到您最原始的未过滤 VCF 文件中，使用 bcftools 或 vcftools 专门把 Chr1: 1.2M - 1.5M 这个小区间内的 SNP 和 InDel 同时提取出来。

单倍型与功能分析： 将提取出的 SNP+InDel 结合基因注释文件（GFF），寻找哪些变异落在了外显子或启动子区域。往往您会发现，正是某个关键的 InDel 完美区分了不同表型的材料。

总结来说：GWAS 用 SNP 指路，找基因用 InDel 定音。 您现在安心用这 295 万个 SNP 往下跑就可以，完全不用担心漏掉信号。

在您现有的 14 个性状中，有没有那种遗传机制比较简单、表型差异极其明显的质量性状（比如某种特定的抗病性、或者特殊的颖壳颜色）？我们可以考虑先拿这种性状作为“阳性对照”来看看模型的灵敏度。制比较简单、表型差异极其明显的质量性状（比如某种特定的抗病性、或者特殊的颖壳颜色）？我们可以考虑先拿这种性状作为“阳性对照”来看看模型的灵敏度。