别再到处找数据了！手把手教你从三大GWAS数据库（IEU、MiBioGen、FinnGen）一键下载与清洗
三大GWAS数据库实战指南：从数据获取到清洗的完整工作流
刚接触GWAS分析的研究者常陷入数据获取的泥潭——不同数据库的接口各异，数据格式复杂，预处理步骤繁琐。本文将带你系统掌握IEU、MiBioGen和FinnGen三大核心数据库的高效使用方法，从API查询到VCF解析，构建标准化分析流程。
1. GWAS数据库全景对比与选择策略
GWAS研究的数据质量直接影响后续分析可靠性。三大主流数据库各有侧重：
| 数据库 | 数据特点 | 适用场景 | 访问方式 | 典型样本量 |
|---|---|---|---|---|
| IEU | 欧洲血统为主，表型丰富 | 疾病风险因子研究 | R包/API | 50万+ |
| MiBioGen | 肠道菌群特异性数据 | 微生物组关联分析 | 官网下载 | 1.8万 |
| FinnGen | 芬兰人群专有队列 | 北欧人群遗传研究 | 官网/API | 50万+ |
选择建议：
- 优先考虑IEU数据库获取常见表型数据
- 微生物组研究必用MiBioGen
- 需要北欧人群特异数据时选择FinnGen
注意：不同数据库对P值的默认阈值设定不同，IEU通常采用5e-8，而MiBioGen在作为暴露时可能放宽到1e-5
2. IEU数据库的自动化数据获取
IEU OpenGWAS项目通过R包提供了程序化访问接口。推荐使用ieugwasr和TwoSampleMR组合方案：
# 安装必要包 if (!require("ieugwasr")) install.packages("ieugwasr") if (!require("TwoSampleMR")) install.packages("TwoSampleMR") # 初始化环境 library(ieugwasr) library(TwoSampleMR) # 查询结直肠癌相关研究 crc_studies <- gwasinfo("colorectal cancer") # 获取top hits crc_top <- tophits(id = crc_studies$id[1], pval = 5e-8) # 转换为MR输入格式 exposure_dat <- format_data(crc_top, type = "exposure", snp_col = "rsid", beta_col = "beta", se_col = "se", effect_allele_col = "ea", other_allele_col = "nea", pval_col = "p", eaf_col = "eaf")常见问题处理：
- API限速：添加
tryCatch和Sys.sleep避免频繁请求 - 数据不全：检查
gwasinfo()返回的样本量和变量说明 - 格式转换：确保效应等位基因频率(EAF)正确映射
3. MiBioGen数据下载与预处理要点
微生物组GWAS数据需要特殊处理：
数据下载：
- 访问官网获取最新版本
- 注意选择16S rRNA或宏基因组数据
P值阈值设定：
# 作为暴露变量时的P值过滤 microbiome_data <- subset(microbiome_data, pval < 1e-5) # 作为结局变量时需要更严格标准 outcome_data <- subset(outcome_data, pval < 5e-8)数据清洗关键步骤：
- 去除低质量SNP（缺失率>5%）
- 检查链方向一致性
- 处理多效性位点
4. FinnGen数据的高效利用
芬兰人群数据需要通过特殊授权获取。获批后可按此流程操作：
# FinnGen API示例 library(httr) library(jsonlite) # 设置认证 token <- "your_access_token" endpoint <- "https://finngen.gitbook.io/documentation/" # 查询2型糖尿病数据 query <- list( phenotype = "T2D", pval_threshold = 5e-8, population = "FIN" ) response <- GET( url = paste0(endpoint, "/api/variant/search"), add_headers(Authorization = paste("Bearer", token)), query = query ) # 解析结果 finngen_data <- fromJSON(content(response, "text"))数据转换模板：
format_finngen <- function(raw) { data.frame( SNP = raw$rsid, beta = raw$beta, se = raw$sebeta, pval = raw$pval, eaf = raw$eaf, effect_allele = raw$alt, other_allele = raw$ref ) }5. VCF文件处理与标准化转换
从各数据库下载的VCF文件需要统一处理：
# VCF解析标准流程 library(vcfR) process_vcf <- function(vcf_path) { vcf <- read.vcfR(vcf_path) # 提取基因型信息 gt <- extract.gt(vcf) # 获取固定字段 fix <- getFIX(vcf) # 合并为数据框 result <- data.frame( SNP = fix$ID, chr = fix$CHROM, pos = fix$POS, effect_allele = fix$ALT, other_allele = fix$REF, beta = as.numeric(extract.info(vcf, "ES")), se = as.numeric(extract.info(vcf, "SE")), pval = 10^(-as.numeric(extract.info(vcf, "LP"))), eaf = as.numeric(extract.info(vcf, "AF")) ) # 过滤无效值 result <- result[complete.cases(result), ] return(result) }质量检查清单：
- [ ] 检查染色体命名一致性（chr1 vs 1）
- [ ] 验证等位基因方向
- [ ] 确认beta值方向与参考文档一致
- [ ] 检查MAF分布是否符合预期
6. 数据清洗实战：从原始文件到分析就绪
完整的数据清洗流程应包含以下步骤：
数据合并：
# 合并多个GWAS数据集 library(dplyr) final_data <- bind_rows( ieuk_data %>% mutate(source = "IEU"), finngen_data %>% mutate(source = "FinnGen"), microbiome_data %>% mutate(source = "MiBioGen") ) %>% distinct(SNP, .keep_all = TRUE)标准化处理：
- 统一染色体命名
- 规范化等位基因编码
- 处理缺失值
质量控制：
# 计算QC指标 qc_metrics <- final_data %>% group_by(source) %>% summarise( n_snps = n(), mean_maf = mean(eaf[eaf < 0.5]), missing_rate = sum(is.na(beta)) / n() )保存最终数据：
# 保存为RDS保留元数据 saveRDS(final_data, "gwas_processed_data.rds") # 同时输出CSV用于其他工具 write.csv(final_data, "gwas_processed_data.csv", row.names = FALSE)
在最近一项炎症性肠病研究中，这套流程帮助团队在3天内完成了原本需要两周的数据准备工作，关键是将VCF解析步骤封装成了可复用的函数模块。