1.1主要输入参数

所有三个函数都需要以下主要参数:

• vcf.file:给出基因型数据文件路径的字符串(impute.fileIMPUTE2;b.file叮铃声)
• covariate.file:由样本id(链接到基因型数据样本)、表型(时间、事件)和额外的协变量数据组成的数据帧
• id.column:在covariable .file中提供样例ID列名的字符串
• time.to.event:在covariable .file中包含时间列名称的字符串
• 事件:在covariable .file中包含事件列名的字符串
• 协变量:在协变量中包含列名的字符向量。要包含在模型中的协变量文件
• out.file:给出输出文件名的字符串

可以根据用户首选项传递进一步的参数。例如，用户可以定义MAF (minor allele frequency)或info/R2评分阈值，过滤出MAF或info/R2评分较低的snp，以避免误报信号，减少计算时间。用户还可以通过提供样本id集来定义要分析的样本子集。用户还可以控制数据块大小——每次迭代所包含的行数(snp)。

重要提示:在covariate.file，类别变量需要转换为指示器(虚拟)变量，并具有类别数字．以字符表示的序数变量，即“low”、“medium”和“high”也应转换为适当的数值。

1.2主要输出格式

输出为3个主要函数中的gwasurvivr非常相似但又有细微差别。一般来说，输出包括以下主要字段:RSID, TYPED, CHR, POS, REF, ALT，等位基因频率*，INFO*， PVALUES, HRs, HR置信区间，系数估计，标准误差，z统计量，N和NEVENT。等位基因频率和INFO随输入输入软件的不同而不同。

注意:调用inter.term任何函数的参数都将使PVALUE和HRs和HR置信区间代表INTERACTION项，而不仅仅是SNP。

非软件特定的字段总结如下:

软件的特定领域总结如下:
1.michiganCoxSurv唯一输出列是AF, MAF, R2, ER2。现将其总结如下。

请参阅Minimac3信息文件有关输出的详细信息

2. sangerCoxSurv

3. impute2CoxSurv

方法可以打印出更多的统计信息print.covs参数并将其设置为print.covs =所有(单SNP/SNP*协变量相互作用)或print.covs =一些(SNP *协变量ineraction)。这些选项主要用于建模目的(协变量选择)，不建议用于非常大的分析，因为它将大大增加输出中的列数，这取决于用户调整的协变量的数量。

2.1依赖关系

请注意这个包取决于GWASTools在linux上使用netcdf框架。因此，对于linux用户，请安装libnetcdf-dev而且netcdf-bin在安装之前gwasurvivr．这些linux库可能已经安装在学术计算集群上。

凹口包:
1.ncdf4
2.matrixStats
3.平行
4.生存

安装。package (c("ncdf4"， "matrixStats"， "parallel"， "survival"))

Bioconductor包:
1.GWASTools
2.VariantAnnotation
3.SummarizedExperiment4.SNPRelate

BiocManager::install("GWASTools") BiocManager::install("VariantAnnotation") BiocManager::install(" summarizeexperimental ") BiocManager::install("SNPRelate")

负载gwasurvivr．

库(gwasurvivr)

2.2用户设置:并行化设置

gwasurvivr使用平行包的内部并行化，以适应考克斯PH模型。默认情况下，用户不需要定义并行化设置gwasurvivr函数将检测用户的操作系统并将集群对象设置为叉如果平台是Linux/OS X，则到袜子如果窗口。但是，如果需要，用户可以修改并行化设置。用户有两种方法来定义他们的集群设置:

1.设置使用的核数。

Linux/OS X用户可以通过在R会话中设置如下所示的选项，在预先指定的核数上运行分析。该选项应该在R会话中定义，然后再运行任何gwasurvivr功能。这里我们决定使用4个内核。此选项对Windows用户不可用。

选项(“gwasurvivr.cores”= 4)

2.提供用户定义的集群对象

要修改更多的设置，用户还可以提供一个“集群对象”给任何一个gwasurvivr功能。集群对象可以通过makeCluster，makePSOCKcluster，makeForkCluster函数从平行包或类似的集群对象函数雪或降雪包。此方法可以应用于任何操作系统。用户可以在运行任何函数之前创建一个集群对象，并将集群对象传递给clusterObj参数，如下所示。详情见?？并行:平行．

library(parallel) cl <- makeCluster(detectCores()) impute2CoxSurv(…， clusterObj=cl) sangerCoxSurv(…, clusterObj = cl)michiganCoxSurv(..., clusterObj=cl)

3．1密歇根Imputation服务器

密歇根Imputation服务器使用HAPI-UR, SHAPEIT或EAGLE(默认为EAGLE2)预阶段类型的基因型，使用Minimac3 imputation引擎进行imputes，并输出Blocked GNU Zip Format VCF文件(.vcf.gz)．这些.vcf.gz文件被用作输入gwasurvivr．Minimac使用略微不同的度量标准来评估imputation质量(\ (R ^ 2 \)与信息分数)和完整的细节，以最小ac输出可在Minimac3 Wikipage．

这个函数,michiganCoxSurv使用R库中的Cox比例风险回归修正生存:::coxph.fit．专为基因数据而建，michiganCoxSurv允许用户筛选信息(\ (R ^ 2 \))评分(imputation quality metric)和来自参考面板的次要等位基因频率用于imputation使用RefPanelAF的输入参数maf.filter．用户还提供了样本小等位基因频率(MAF)sangerCoxSurv输出，可用于过滤后分析。

可以通过提供矢量来选择样品进行分析sample.ids．桑格归责服务器的输出将样本返回为SAMP1,……, SAMPN,在那里N是样本的总数。样本顺序对应于vcf.file用于imputation。注，样单也可在.fam如果基因分型数据最初在文件中请全部，.bim而且.fam(PLINK)格式，然后转换为VCF。如果没有指定样品列表，所有样品都包括在分析中。

vcf.file<- system.file(package="gwasurvivr", "extdata", "michigan.chr14.dose.vcf.gz") pheno.fl <- system.file(package="gwasurvivr", "extdata", "simulated_pheno.txt") pheno.file <- read.table(pheno.fl, sep=" ", header=TRUE, stringsAsFactors = FALSE) head(pheno.file)

## ID_1 ID_2事件时间年龄药物txyes性别组## 1 1 SAMP1 0 12.00 33.93 0男对照## 2 2 SAMP2 1 7.61 58.71 1男实验## 33 SAMP3 0 12.00 39.38 0女对照## 4 4 SAMP4 0 4.30 38.85 0男对照## 5 5 SAMP5 0 12.00 43.58 0男实验## 6 SAMP6 1 2.60 57.74 0男对照

#重新编码性别列并删除第一列pheno。file$SexFemale <- ifelse(pheno。file$sex=="female"， 1L, 0L) #只选择实验组样本。ids样本。id <- pheno.file[pheno. file]文件组= =美元“实验”,]美元ID_2头(sample.ids)

##[1]“samp2”“samp5”“samp7”“samp9”“samp11”“samp12”

在本例中，我们将从实验只对这些病人进行生存测试。的第一列pheno.file为样本id，用于连接表型文件和imputation文件。我们包括年龄，DrugTxYes,性在生存模型中作为协变量。

我们使用实验如果只对样本的一个子集感兴趣(即病例对照研究和病例的生存感兴趣)，分组演示如何准备他们的数据。注意，id (sample.ids)需要成为阶级的载体字符．的chunk.size指读入的每个数据块的大小，默认为10,000行。用户可以根据自己的需要进行定制。越大chunk.size运行分析所需的内存(RAM)就越多。推荐的chunk.size = 10000可能不应该超过chunk.size = 100000．这并不意味着gwasurvivr只有100,000个SNPs，它只是每次迭代分析的SNPs数量。

默认情况下，将输出为其他协变量调整的SNP的生存估计和p值(print.covs = '只有')，但用户可自行选择print.covs =所有得到模型中包含的协变量的系数估计值。根据所包含的协变量的数量，这会大大增加输出文件的大小。

michiganCoxSurv (vcf.file = vcf。文件,covariate.file =把。文件,id。列= " ID_2 " sample.ids =样本。id、水份。事件="time", event="event", covariates=c("age", "SexFemale", "DrugTxYes"), inter.term=NULL, print.covs="only", out.file="michigan_only", r2.filter=0.3, maf.filter=0.005, chunk.size=100, verbose=TRUE, clusterObj=NULL)

分析开始于2022-11-01 18:07:04

模型中包含的协变量是:年龄，DrugTxYes, SexFemale

52个样品纳入分析

##分析0-100块

##分析数据块100-200

分析于2022-11-01 18:07:21完成

## 0个不符合阈值标准的snp被从分析中删除。

##删除的snp列表可以在/tmp/RtmpWwMW96/michigan an_only28b5092740252a.snps_removed中找到

总共分析了3个snp

生存输出可以在/tmp/RtmpWwMW96/michigan an_only28b5092740252a.coxph找到

michigan . only <- read.table("michigan . only. "coxph"， sep="\t"， header=TRUE, stringsAsFactors = FALSE)

str(头(michigan_only))

## 'data.frame': 3 obs。21个变量:# # $ RSID:空空的“rs34919020”“rs8005305”“rs757545375”# # $类型:罗技假假假# # $装备:int 14十四14 # # $ POS: int 19459185 20095842 19459185 # # $ REF:空空的“C”“G”“A”# # $ ALT:空空的“T”“T”“G”# # $房颤:num 0.301 0.515 0.52 # # $加:num 0.301 0.485 0.48 # # $ SAMP_FREQ_ALT: num 0.355 0.517 0.52 # # $ SAMP_MAF: num 0.355 0.483 0.48 # # $ R2: num 0.552 0.479 0.481 # # $ ER2:罗技NA NA NA # # $ PVALUE: num 0.713 0.805 0.798 # # $人力资源:# $ Z: num 0.368 -0.246 -0.255 ## $ COEF: num 0.203 -0.123 -0.127 ## $ SE。COEF: num 0.55 0.498 0.498 ## $ N: int 52 52 52 ## $ N. event: int 21 21 21

michiganCoxSurv (vcf.file = vcf。文件,covariate.file =把。文件,id。列= " ID_2 " sample.ids =样本。id、水份。事件="time", event="event", covariates=c("age", "SexFemale", "DrugTxYes"), inter.term="DrugTxYes", print.covs="only", out.file="michigan_intx_only", r2.filter=0.3, maf.filter=0.005, chunk.size=100, verbose=FALSE, clusterObj=NULL)

密西根_intx_only <- read.table("密西根_intx_only. "coxph"， sep="\t"， header=TRUE, stringsAsFactors = FALSE)

str(头(michigan_intx_only))

## 'data.frame': 3 obs。21个变量:# # $ RSID:空空的“rs34919020”“rs8005305”“rs757545375”# # $类型:罗技假假假# # $装备:int 14十四14 # # $ POS: int 19459185 20095842 19459185 # # $ REF:空空的“C”“G”“A”# # $ ALT:空空的“T”“T”“G”# # $房颤:num 0.301 0.515 0.52 # # $加:num 0.301 0.485 0.48 # # $ SAMP_FREQ_ALT: num 0.355 0.517 0.52 # # $ SAMP_MAF: num 0.355 0.483 0.48 # # $ R2: num 0.552 0.479 0.481 # # $ ER2:罗技NA NA NA # # $ PVALUE: num 0.9017 0.0806 0.0786 # # $人力资源:## $ Z: num 0.124 1.747 1.759 ## $ COEF: num 0.139 1.951 1.961 ## $ SE。COEF: num 1.12 1.12 1.11 ## $ N: int 52 52 52 ## $ N. event: int 21 21 21

3.2Sanger Imputation服务器

Sanger Imputation服务器使用SHAPEIT或EAGLE预阶段分型基因型，使用PBWT算法计算基因型并输出a.vcf.gz为每个染色体归档。这些.vcf.gz文件被用作输入gwasurvivr．这个函数,sangerCoxSurv使用修正的Cox比例风险回归生存:coxph.fit．专为基因数据而建，sangerCoxSurv允许用户过滤信息分数(imputation质量度量)和次要等位基因频率从参考面板用于imputation使用RefPanelAF的输入参数maf.filter．用户还提供了样本中的次要等位基因频率sangerCoxSurv输出。

可以通过提供矢量来选择样品进行分析sample.ids．桑格归责服务器的输出将样本返回为SAMP1,……, SAMPN,在那里N是样本的总数。样本顺序对应于用于输入的VCF文件中的样本顺序。注，样单也可在.fam如果基因分型数据最初在文件中请全部，.bim而且.fam(PLINK)格式，然后转换为VCF。如果没有指定样品列表，则所有样品都包括在分析中。

在本例中，我们将从实验只对这些病人进行生存测试。的第一列pheno.file是示例id(我们将匹配这些)。我们包括年龄，DrugTxYes,性在生存模型中作为协变量。

vcf.file<- system.file(package="gwasurvivr", "extdata", "sanger.pbwt_reference_impute.vcf.gz") pheno.fl <- system.file(package="gwasurvivr", "extdata", "simulated_pheno.txt") pheno.file <- read.table(pheno.fl, sep=" ", header=TRUE, stringsAsFactors = FALSE) head(pheno.file)

## ID_1 ID_2事件时间年龄药物txyes性别组## 1 1 SAMP1 0 12.00 33.93 0男对照## 2 2 SAMP2 1 7.61 58.71 1男实验## 33 SAMP3 0 12.00 39.38 0女对照## 4 4 SAMP4 0 4.30 38.85 0男对照## 5 5 SAMP5 0 12.00 43.58 0男实验## 6 SAMP6 1 2.60 57.74 0男对照

#重新编码性别列并删除第一列pheno。file$SexFemale <- ifelse(pheno。file$sex=="female"， 1L, 0L) #只选择实验组样本。ids样本。id <- pheno.file[pheno. file]文件组= =美元“实验”,]美元ID_2头(sample.ids)

##[1]“samp2”“samp5”“samp7”“samp9”“samp11”“samp12”

我们使用实验分组来证明如果不是最初所有的样本都是患者或病例(即病例对照研究和病例的生存是感兴趣的)，人们可能希望如何准备他们的数据。我们还展示了id (sample.ids)需要成为阶级的载体字符．的chunk.size指读入的每个数据块的大小，默认为10,000行，用户可以根据自己的需要自定义。越大chunk.size运行分析所需的内存(RAM)就越多。推荐的chunk.size = 10000可能不应该超过chunk.size = 100000．这并不意味着gwasurvivr只有100,000个SNPs，它只是每次迭代分析的SNPs数量。

默认情况下，将输出为其他协变量调整的SNP的生存估计和p值(print.covs = '只有')，但用户可自行选择print.covs =所有得到模型中包含的协变量的系数估计值。根据所包含的协变量的数量，这会大大增加输出文件的大小。

使用sangerCoxSurv ?对于特定于参数的文档。

sangerCoxSurv (vcf.file = vcf。文件,covariate.file =把。文件,id。列= " ID_2 " sample.ids =样本。id、水份。事件="time", event="event", covariates=c("age", "SexFemale", "DrugTxYes"), inter.term=NULL, print.covs="only", out.file="sanger_only", info.filter=0.3, maf.filter=0.005, chunk.size=100, verbose=TRUE, clusterObj=NULL)

分析开始于2022-11-01 18:07:36

模型中包含的协变量是:年龄，DrugTxYes, SexFemale

52个样品纳入分析

##分析0-100块

##分析数据块100-200

分析于2022-11-01 18:07:54完成

## 0个不符合阈值标准的snp被从分析中删除。

删除的snp列表可以在/tmp/RtmpWwMW96/sanger_only28b509403f43f8.snps_removed中找到

总共分析了3个snp

生存输出可以在/tmp/RtmpWwMW96/sanger_only28b509403f43f8.coxph找到

str(头(sanger_only))

## 'data.frame': 3 obs。19个变量:# # $ RSID:空空的“rs34919020”“rs8005305”“rs757545375”# # $类型:罗技假假假# # $装备:int 14十四14 # # $ POS: int 19459185 20095842 19459185 # # $ REF:空空的“C”“G”“A”# # $ ALT:空空的“T”“T”“G”# # $ RefPanelAF: num 0.301 0.515 0.52 # # $ SAMP_FREQ_ALT: num 0.355 0.517 0.52 # # $ SAMP_MAF: num 0.355 0.483 0.48 # # $ INFO: num 0.552 0.479 0.481 # # $ PVALUE: num 0.713 0.805 0.798 # # $人力资源:num 1.224 0.885 0.881 # # $ HR_lowerCI:## $ Z: num 0.368 -0.246 -0.255 ## $ COEF: num 0.203 -0.123 -0.127 ## $ SE。COEF: num 0.55 0.498 0.498 ## $ N: int 52 52 52 ## $ N. event: int 21 21 21

sangerCoxSurv (vcf.file = vcf。文件,covariate.file =把。文件,id。列= " ID_2 " sample.ids =样本。id、水份。事件="time", event="event", covariates=c("age", "SexFemale", "DrugTxYes"), inter.term="DrugTxYes", print.covs="only", out.file="sanger_intx_only", info.filter=0.3, maf.filter=0.005, chunk.size=100, verbose=TRUE, clusterObj=NULL)

3．3IMPUTE2归责

IMPUTE2是一个基因型imputation和单倍型分期程序(Howie et al 2009)。IMPUTE2为每个输入的染色体块输出6个文件(通常大小为5mb)。使用分析只需要其中的2个文件gwasurvivr：

• 基因型档案(.impute）
  
• 样本档案(采样）

可以阅读有关这些格式的更多信息

我们将加载和预处理遗传数据和表型数据(covariate.file)．

impute.file<- system.file(package="gwasurvivr", "extdata", "impute_example.impute2.gz") sample.file <- system.file(package="gwasurvivr", "extdata", "impute_example.impute2_sample") covariate.file <- system.file(package="gwasurvivr", "extdata", "simulated_pheno.txt") covariate.file <- read.table(covariate.file, sep=" ", header=TRUE, stringsAsFactors = FALSE) covariate.file$SexFemale <- ifelse(covariate.file$sex=="female", 1L, 0L) sample.ids <- covariate.file[covariate.file$group=="experimental",]$ID_2

要使用IMPUTE2执行生存分析，函数参数非常相似michiganCoxSurv而且sangerCoxSurv，但是函数现在接受染色体参数。这需要用这些snp所在的染色体正确地注释文件输出。这纯粹是IMPUTE2和我们如何利用的产物GWASTools在这个函数中。

impute2CoxSurv (impute.file =转嫁。文件,sample.file =样本。File, chr=14, covariable . File =covariate。文件,id。列= " ID_2 " sample.ids =样本。id、水份。事件="time", event="event", covariates=c("age", "SexFemale", "DrugTxYes"), inter.term=NULL, print.covs="only", out.file="impute_example_only", chunk.size=100, maf.filter=0.005, exclude.snps=NULL, flip.dosage=TRUE, verbose=TRUE, clusterObj=NULL)

模型中包含的协变量是:年龄，DrugTxYes, SexFemale

52个样品纳入分析

分析开始于2022-11-01 18:08:09

##确定snp和样本的数量…

##包括所有snp。

# #扫描。Df没有给出。自动分配scanid。

##阅读示例文件…

##阅读基因型文件…

## 1中的1

##写入注释…

# #压缩……

##清理GDS文件的碎片:##打开文件'/tmp/RtmpWwMW96/28b509717d82eb。gds' (3.3K) ## # of fragments: 30 ## save to '/tmp/RtmpWwMW96/28b509717d82eb.gds.tmp' ## rename '/tmp/RtmpWwMW96/28b509717d82eb.gds.tmp' (2.4K, reduced: 987B) ## # of fragments: 14

# # * * * * *压缩时间  ****** ## 用户:0.07 # #系统:0.02 # #时间:0.09  ## *****************************

分析第1/1部分…

从分析中删除不符合给定阈值标准或MAF = 0的snp

##删除的snp列表保存到/tmp/RtmpWwMW96/impute_example_only28b5095aea0323.snps_removed

##总共有3个snp被纳入分析

Cox模型结果输出保存到/tmp/RtmpWwMW96/impute_example_only28b5095aea0323.coxph

分析于2022-11-01 18:08:11完成

Impute2_res_only <- read.table("impute_example_only. table ")， sep="\t"，头=TRUE, stringsAsFactors = FALSE) str(头(impute2_res_only))

## 'data.frame': 3 obs。17个变量:# # $ RSID:空空的“rs34919020”“rs8005305”“rs757545375”# # $类型:空空的  "---" "---" "---" ## $ 装备:int 14十四14 # # $ POS: int 19459185 20095842 19459185 # # $ A0:空空的“C”“G”“A”# # $ A1:空空的“T”“T”“G”# # $ exp_freq_A1: num 0.355 0.517 0.52 # # $ SAMP_MAF: num 0.355 0.483 0.48 # # $ PVALUE: num 0.713 0.805 0.798 # # $人力资源:num 1.224 0.885 0.881 # # $ HR_lowerCI: num 0.417 0.333 0.332 # # $ HR_upperCI: num 3.6 2.35 2.34 # # $ Z: num 0.368 -0.246 -0.255 # # $系数:num 0.203 -0.123 -0.127 ## $ SE。系数：num 0.55 0.498 0.498 ## $ N : int 52 52 52 ## $ N.EVENT : int 21 21 21

impute2CoxSurv (impute.file =转嫁。文件,sample.file =样本。File, chr=14, covariable . File =covariate。文件,id。列= " ID_2 " sample.ids =样本。id、水份。事件="time", event="event", covariates=c("age", "SexFemale", "DrugTxYes"), inter.term="DrugTxYes", print.covs="only", out.file="impute_example_intx", chunk.size=100, maf.filter=0.005, flip.dosage=TRUE, verbose=FALSE, clusterObj=NULL, keepGDS=FALSE)

##确定snp和样本的数量…

##包括所有snp。

# #扫描。Df没有给出。自动分配scanid。

##阅读示例文件…

##阅读基因型文件…

## 1中的1

##写入注释…

# #压缩……

##清理GDS文件的碎片:##打开文件'/tmp/RtmpWwMW96/28b509401c28。gds' (3.3K) ## # of fragments: 30 ## save to '/tmp/RtmpWwMW96/28b509401c28.gds.tmp' ## rename '/tmp/RtmpWwMW96/28b509401c28.gds.tmp' (2.4K, reduced: 987B) ## # of fragments: 14

# # * * * * *压缩时间  ****** ## 用户:0.075 # #系统:0.012 # #时间:0.087  ## *****************************

Impute2_res_intx <- read.table("impute_example_intx. "coxph"， sep="\t"， header=TRUE, stringsAsFactors = FALSE) str(head(impute2_res_intx))

## 'data.frame': 3 obs。17个变量:# # $ RSID:空空的“rs34919020”“rs8005305”“rs757545375”# # $类型:空空的  "---" "---" "---" ## $ 装备:int 14十四14 # # $ POS: int 19459185 20095842 19459185 # # $ A0:空空的“C”“G”“A”# # $ A1:空空的“T”“T”“G”# # $ exp_freq_A1: num 0.355 0.517 0.52 # # $ SAMP_MAF: num 0.355 0.483 0.48 # # $ PVALUE: num 0.9017 0.0806 0.0786 # # $人力资源:num 1.15 7.03 7.11 # # $ HR_lowerCI: num 0.127 0.789 0.799 # # $ HR_upperCI: num 10.4 62.7 63.2 # # $ Z: num 0.124 1.747 1.759 # # $系数:num 0.139 1.951 1.961 ## $ SE。系数：num 1.12 1.12 1.11 ## $ N : int 52 52 52 ## $ N.EVENT : int 21 21 21

5.1批处理示例:sangerCoxSurv

用于多个分析和不同子集的批处理作业很容易实现gwasurvivr．这些类型的分析应该保留给基于unix的高性能计算集群使用。这是由包装促成的批处理，它可以内化bash中的R变量。首先写一个R脚本(例如:mysurvivalscript。R)来传递bash。

注意:重要的是要参考手册的入门部分，以了解为此需要安装的软件包

# # mysurvivalscript。R库(gwasurvivr)library(batch) parseCommandArgs(evaluate=TRUE) # this is loaded in the batch package options("gwasurvivr.cores"=4) vcf.file <- system.file(package="gwasurvivr", "extdata", vcf.file) pheno.fl <- system.file(package="gwasurvivr", "extdata", pheno.file) pheno.file <- read.table(pheno.fl, sep=" ", header=TRUE, stringsAsFactors = FALSE) # recode sex column and remove first column pheno.file$SexFemale <- ifelse(pheno.file$sex=="female", 1L, 0L) # select only experimental group sample.ids sample.ids <- pheno.file[pheno.file$group=="experimental",]$ID_2 ## -- unlist the covariates ## (refer below to the shell script as to why we are doing this) covariates <- unlist(sapply(covariates, strsplit, "_", 1, "[[")) sangerCoxSurv(vcf.file=vcf.file, covariate.file=pheno.file, id.column="ID_2", sample.ids=sample.ids, time.to.event=time, event=event, covariates=covariates, inter.term=NULL, print.covs="only", out.file=out.file, info.filter=0.3, maf.filter=0.005, chunk.size=100, verbose=TRUE, clusterObj=NULL)

现在我们可以运行shell脚本。这可以很好地与清单文件一起使用，以设置具有不同结果和不同样本子集的多次运行。我们定义了一个清单文件，其中的列对应于用户想要传递的函数，每一行都是用户想要运行的一个单独的分析。协变量由下划线(“_”)．这是为了让它可以正确地传递，也是为什么我们使用函数拆分协变量。

#！/bin/bash DIRECTORY=/path/to/dir/impute_chr模块加载R R——script ${DIRECTORY}/survival/code/ mysurvivvalscript。R -q——args \ vcf。文件${DIRECTORY}/sanger.pbwt_reference_impute.vcf.gz \ pheno。file ${DIRECTORY}/phenotype_data/simulated_pheno.txt \协变量DrugTxYes_age_SexFemale\ time.to.event time \ event event \ out。目录文件${}/ /结果/ sanger_example_output生存

上面的文件路径完全是任意的，只是用作文件结构和理想输出存储位置的示例。

5.2批处理示例impute2CoxSurv

和for完全一样sangerCoxSurv但是这次使用的是输入参数impute2CoxSurv．看到impute2CoxSurv ?寻求帮助

5.3批处理示例密歇根coxsurv

和for完全一样sangerCoxSurv但是这次使用的是输入参数michiganCoxSurv．看到michiganCoxSurv ?寻求帮助