gwas_manhattan

Marker	Chr	Pos	P
rs1_1	1	378,526	0.458
rs1_2	1	407,208	0.247
rs1_3	1	573,357	0.164
rs1_4	1	626,332	0.383
rs1_5	1	886,354	0.683
rs1_6	1	1,182,712	0.524

Marker

Chr

Pos

rs1_1

378,526

0.458

rs1_2

407,208

0.247

rs1_3

573,357

0.164

rs1_4

626,332

0.383

rs1_5

886,354

0.683

rs1_6

1,182,712

0.524

#	变量	类型	缺失	统计
1	Markerkey染色体编号与染色体内序号组成的稳定标记名	字符型	—	不同值 6000rs1_1 · rs1_2 · rs1_3 · rs1_4 · rs1_5 · rs1_6 · rs1_7 · rs1_8
2	Chr1–12 的模拟染色体编号	整数	—	min 1q1 —中位 6.5均值 6.5q3 —max 12.0
3	Pos染色体内模拟物理位置，范围 1–100,000,000 bp	整数	—	min 4,491q1 —中位 4.9e+7均值 5.0e+7q3 —max 1.0e+8
4	P模拟关联检验 P 值；18 个固定信号覆盖 suggestive 与 genome-wide 阈值	双精度	—	min 4.8e-10q1 —中位 0.497均值 0.498q3 —max 1

变量

类型

缺失

统计

Markerkey染色体编号与染色体内序号组成的稳定标记名

字符型

—

不同值 6000rs1_1 · rs1_2 · rs1_3 · rs1_4 · rs1_5 · rs1_6 · rs1_7 · rs1_8

Chr1–12 的模拟染色体编号

整数

—

min 1q1 —中位 6.5均值 6.5q3 —max 12.0

Pos染色体内模拟物理位置，范围 1–100,000,000 bp

整数

—

min 4,491q1 —中位 4.9e+7均值 5.0e+7q3 —max 1.0e+8

P模拟关联检验 P 值；18 个固定信号覆盖 suggestive 与 genome-wide 阈值

双精度

—

min 4.8e-10q1 —中位 0.497均值 0.498q3 —max 1

library(readr) gwas_manhattan <- read_csv( "https://assets.evanzhou.org/tessera/csv/gwas_manhattan.csv", col_types = cols( Marker = col_character(), Chr = col_integer(), Pos = col_integer(), P = col_double() ) )

来源

这是一份由 Tessera manhattan recipe 固化的确定性模拟 GWAS 数据，不对应真实队列、表型或基因型。每条染色体包含 500 个标记，位置按染色体内坐标排序；背景 P 值来自固定随机种子，18 个候选信号使用固定标记名和固定 −log10(P)。

CSV 冻结后，矩形 Manhattan、圆形 Manhattan 与 Palette Lab 读取同一份数据，避免各处现场模拟产生不同峰位。

显著性约定

Suggestive threshold：P = 1e-6
Genome-wide threshold：P = 5e-8
Top hits：固定的 8 个示范标记，仅用于标签布局练习

适用图形

图形结构	用途
矩形 Manhattan plot	精确比较染色体区段、阈值和候选位点
圆形 Manhattan plot	在方形版面中概览全基因组信号分布
QQ plot	检查模拟 P 值背景与极端尾部（需另行计算期望分位数）

set.seed(2026) n_chr <- 12 markers_per_chr <- 500 gwas_manhattan <- do.call(rbind, lapply(seq_len(n_chr), function(chr) { data.frame( Marker = paste0("rs", chr, "_", seq_len(markers_per_chr)), Chr = chr, Pos = sort(sample(seq(1, 100000000), markers_per_chr)), P = runif(markers_per_chr, min = 1e-4, max = 1), stringsAsFactors = FALSE ) })) signals <- c( rs3_115 = 8.82, rs3_166 = 8.91, rs7_8 = 9.32, rs7_41 = 9.04, rs7_238 = 9.25, rs8_355 = 7.82, rs10_177 = 7.12, rs12_500 = 8.92, rs4_321 = 6.62, rs5_118 = 6.08, rs5_383 = 6.38, rs6_207 = 7.58, rs6_365 = 7.31, rs7_407 = 6.34, rs9_177 = 7.67, rs9_389 = 7.36, rs11_143 = 7.18, rs12_85 = 7.32 ) signal_rows <- match(names(signals), gwas_manhattan$Marker) stopifnot(!anyNA(signal_rows)) gwas_manhattan$P[signal_rows] <- 10^(-unname(signals)) write.csv(gwas_manhattan, "gwas_manhattan.csv", row.names = FALSE)