Robust Allele-based (RA) Regression Framework for Genetic Association Studies
- Import RA source functions
- Independent samples with multiple Ys and Zs
- Mixture of indepedent and sibling pairs
- Sibling Pairs Only
- Test of HWE
- Samples from multiple population association testing
- Save RA functions in the working directory
source('RA_functions.R')########################################################################
########################################################################
#### Function inputs:
#### - g: genotype vector (G=0, 1, 2), n x 1 vector
#### - y: phenotype traits, n x J matrix
#### - z: covariates, n x K matrix
#### - HWE: logical, TRUE or FALSE
########################################################################
#### Function output:
#### - p-value of the RA association test
########################################################################
########################################################################
nIndep <- 1000; geno_prob <- c(0.64, 0.32, 0.04)
g_test <- sample(0:2, size=nIndep, replace=T, prob=geno_prob)
y_test <- cbind(replicate(3, rnorm(nIndep)), sample(0:1, size=nIndep, replace=T, prob=c(0.8, 0.2)))
z_test <- cbind(replicate(2, rnorm(nIndep, mean=3, sd=3)), replicate(2, rnorm(nIndep, mean=4, sd=4)))
## Independent samples, 3 continuous and 1 binary phenotype traits, no covariates, no assumption of HWE
RA_assoc_indep(g=g_test, y=y_test, z=NULL, HWE=F)
## Independent samples, 3 continuous and 1 binary phenotype traits, no covariates, assuming HWE
RA_assoc_indep(g=g_test, y=y_test, z=NULL, HWE=T)
## Independent samples, 3 continuous and 1 binary phenotype traits, 4 covariates, no assumption of HWE
RA_assoc_indep(g=g_test, y=y_test, z=z_test, HWE=F)
## Independent samples, 3 continuous and 1 binary phenotype traits, 4 covariates, assuming HWE
RA_assoc_indep(g=g_test, y=y_test, z=z_test, HWE=T)
########################################################################################
########################################################################################
#### Function inputs:
#### - gIndep: genotype vector (G=0, 1, 2) of the independent samples
#### - yMat_indep: phenotype traits (nIndep x J matrix) of the independent samples
#### - gSib: genotype vector (G=0, 1, 2) of the sibling pairs
#### - yMat_sib: phenotype traits (nSib x J matrix) of the sibling pairs
########################################################################################
#### Function output:
#### - p-value of the RA association test
########################################################################################
########################################################################################
nIndep <- 1000; nSib <- 500
gInd <- sample(0:2, size=nIndep, replace=T, prob=c(0.64, 0.32, 0.04))
y1Indep <- rnorm(nIndep); y2Indep <- rnorm(nIndep)
yMatIndep <- matrix(c(y1Indep, y2Indep), ncol=2)
gSib_test <- simSib(nRep=1, f=nSib/2, p=0.2, p2=0.04)
gSib1_causal <- simSib(nRep=1, f=nSib/2, p=0.2, p2=0.04)
gSib2_causal <- simSib(nRep=1, f=nSib/2, p=0.3, p2=0.09)
y1Sib <- 0.03 + 0.02*gSib1_causal + rnorm(nSib)
y2Sib <- 0.01 + 0.03*gSib2_causal + rnorm(nSib)
yMatSib <- matrix(c(y1Sib, y2Sib), ncol=2)
RA_pedi_assoc(gIndep=gInd, gSib=gSib_test, yMat_indep=yMatIndep, yMat_sib=yMatSib)########################################################################################
########################################################################################
#### Function inputs:
#### - gSib: genotype vector (G=0, 1, 2) of the sibling pairs
#### - yMat_sib: phenotype traits of the sibling pairs
########################################################################################
#### Function output:
#### - p-value of the RA association test
########################################################################################
########################################################################################
nSib <- 500
gSib_test <- simSib(nRep=1, f=nSib/2, p=0.2, p2=0.04)
gSib1_causal <- simSib(nRep=1, f=nSib/2, p=0.2, p2=0.04)
gSib2_causal <- simSib(nRep=1, f=nSib/2, p=0.3, p2=0.09)
y1Sib <- 0.03 + 0.02*gSib1_causal + rnorm(nSib)
y2Sib <- 0.01 + 0.03*gSib2_causal + rnorm(nSib)
yMatSib <- matrix(c(y1Sib, y2Sib), ncol=2)
RA_sibpairs(gSib=gSib_test[,1], yMat_sib=y1Sib)
########################################################################
########################################################################
#### Function inputs:
#### - g: genotypes of independent samples
########################################################################
#### Function output:
#### - p-value of the test of HWE
########################################################################
########################################################################
g1 <- sample(0:2, size=1000, replace=T, prob=c(0.64, 0.32, 0.04))
RA_HWE(g=g1)
g2 <- sample(0:2, size=1000, replace=T, prob=c(0.6, 0.3, 0.1))
RA_HWE(g=g2)
########################################################################
########################################################################
#### Function inputs:
#### - g: genotypes of independent samples
#### - y: phenotype traits (nIndep x J matrix) of the independent samples
#### - z: population factor
########################################################################
#### Function output:
#### - p-value of the RA association test
########################################################################
########################################################################
nI <- 500; nII <- 1500
yI <- sample(0:1, size=nI, replace=T, prob=c(0.8, 0.2))
yII <- sample(0:1, size=nII, replace=T, prob=c(0.5, 0.5))
y1 <- matrix(c(yI, yII), ncol=1)
y2 <- matrix(rnorm((nI+nII)), ncol=1)
g1 <- sample(0:2, size=nI, replace=T, prob=c(0.64, 0.32, 0.04))
g2 <- sample(0:2, size=nII, replace=T, prob=c(0.6, 0.3, 0.1))
z <- rep(c('I', 'II'), c(nI, nII))
g <- c(g1, g2)
y <- cbind(y1, y2)
RA_multi_pop(g, y, z)