先检查数据，再讨论显著性

先核对编号，不要只核对行数#

同一个 FID 与 IID 组合只能出现一次。下面的命令分别检查样本表和表型表中的重复编号；awk 按列取值，sort 排序，uniq -d 只显示重复行：

1
awk '{print $1, $2}' data/genotypes.fam | sort | uniq -d
2
awk 'NR > 1 {print $1, $2}' data/phenotype.tsv | sort | uniq -d
3
awk '{print $2}' data/genotypes.bim | sort | uniq -d

第三条检查重复的位点编号。没有输出表示未发现重复编号。若出现重复，回查来源后再决定怎样处理。

再比较两个文件的样本集合：

1
awk '{print $1, $2}' data/genotypes.fam | LC_ALL=C sort > work/genotype_ids.txt
2
awk 'NR > 1 {print $1, $2}' data/phenotype.tsv | LC_ALL=C sort > work/phenotype_ids.txt
3
LC_ALL=C comm -3 work/genotype_ids.txt work/phenotype_ids.txt

comm -3 显示只出现在一边的编号。两份文件可以覆盖不同样本范围，但必须根据研究设计确定保留集合，并记录未匹配或表型缺失的样本怎样处理。

异常值需要回查测量记录

表型异常可能来自测量单位不一致或录入错误。只有回查原始记录才能更正；不要因为一个值影响显著性就删除它。把更正依据和排除理由单独记录下来。

先生成报告，看看哪里缺得多#

有些基因型没能可靠测出，会记为缺失。我们同时关心「某个样本有多少位置没测到」和「某个位点有多少样本没测到」。

1
./tools/plink2 \
2
  --bfile data/genotypes \
3
  --autosome \
4
  --missing \
5
  --freq \
6
  --out results/qc_before

具体列名以表头为准，PLINK 输出格式文档可以用来逐列查询。缺失率如果与采样地区或实验批次有关，就需要追查原因；后面的过滤并不能解释这种系统偏差。

先过滤样本，再过滤位点#

以下命令演示三种参数：样本缺失率上限为 5%，位点缺失率上限为 5%，次要等位基因频率下限为 1%。这些数值只用于说明参数写法，实际阈值应结合测量方法、样本规模和质量报告确定。

先生成样本过滤后的中间文件：

1
./tools/plink2 \
2
  --bfile data/genotypes \
3
  --autosome \
4
  --mind 0.05 \
5
  --make-bed \
6
  --out work/sample_qc

再在保留下来的样本中计算并应用位点条件：

1
./tools/plink2 \
2
  --bfile work/sample_qc \
3
  --autosome \
4
  --geno 0.05 \
5
  --maf 0.01 \
6
  --make-bed \
7
  --out work/variant_qc

--mind 控制样本缺失率，--geno 控制位点缺失率。较少见等位基因的频率叫次要等位基因频率，参数写作 --maf。一个等位基因是「次要」还是「主要」，取决于当前样本中的频率，不是固定的生物学属性。

相同频率在不同样本规模下，对应的等位基因拷贝数不同。位点缺失也会影响可观察到的拷贝数。第五篇进一步使用 --mac 限制次要等位基因的拷贝总数，说明低频变异检验的稳定性问题。

将两轮过滤的样本数和位点数记入分析笔记，同时记录排除原因。过滤后的文件前缀为 work/variant_qc。PLINK 过滤说明解释了这些参数的边界。

为什么没有直接加上一条平衡过滤#

在一个理想化的随机交配群体中，假设某个位点的两种等位基因频率分别为 p 和 q，那么三种基因型的预期比例满足：

这个参照叫哈代—温伯格平衡，常写作 HWE。观察到的基因型比例偏离它，可能提示分型错误，也可能反映近交或群体混合，选择和研究设计本身也可能影响这一比例。

处理自交材料、家系或特殊选育群体时，随机交配的参照可能并不合适。病例对照研究也需要考虑在哪一组样本中进行平衡检验。过滤依据应与研究设计一致。

需要诊断时，可以先生成报告：

1
./tools/plink2 \
2
  --bfile work/variant_qc \
3
  --autosome \
4
  --hardy \
5
  --out results/hwe

这条命令只生成平衡检验报告，不自动排除位点。是否过滤、在哪个群体内检验，要在了解研究设计后决定。

其他质量指标

还应检查污染和异常杂合度，结合实验记录排查样本重复与批次效应，并确认参考基因组版本。涉及性染色体时，需要另外核对性别信息及其编码。近亲与群体背景放到下一篇处理。

这一篇完成后#

输出应包括原始质量报告、样本过滤中间文件与 work/variant_qc.bed/.bim/.fam，以及每一步的日志。你需要能解释每条排除规则，确认样本编号仍然对应，并知道剩余样本和位点的实际数量。

接下来要判断这些样本能否直接进入普通回归，以及怎样概括它们的群体背景。