在 R 中使用多核分析 GWAS 数据

Question

我正在使用 R 来分析全基因组关联研究数据。我有大约 500,000 个潜在的预测变量（单核苷酸多态性或 SNP），并且想要测试每个变量与连续结果（在本例中为血液中的低密度脂蛋白浓度）之间的关联。

我已经编写了一个脚本，可以毫无问题地执行此操作。简单地解释一下，我有一个数据对象，称为“数据”。每一行对应于研究中的特定患者。有年龄、性别、体重指数 (BMI) 和血液低密度脂蛋白浓度的列。还有 50 万个其他列包含 SNP 数据。

我目前正在使用 for 循环运行线性模型 50 万次，如图所示：

# Repeat loop half a million times
for(i in 1:500000) {

# Select the appropriate SNP
SNP <- Data[i]

# For each iteration, perform linear regression adjusted for age, gender, and BMI and save the result in an object called "GenoMod"
GenoMod  <- lm(bloodLDLlevel ~ SNP + Age + Gender + BMI, data = Data)

# For each model, save the p value and error for each SNP. I save these two data points in columns 1 and 2 of a matrix called "results"
results[i,1] <- summary(GenoMod)$coefficients["Geno","Pr(>|t|)"]
results[i,2] <- summary(GenoMod)$coefficients["Geno","Estimate"]
}

所有这些都运行良好。然而，我真的很想加快我的分析速度。因此，我一直在尝试多核、DoMC 和 foreach 软件包。

我的问题是，有人可以帮助我使用 foreach 方案调整此代码吗？

我正在一台显然有 16 个可用核心的 Linux 服务器上运行该脚本。我尝试过使用 foreach 包进行实验，但使用它的结果相对较差，这意味着使用 foreach 运行分析需要更长。

例如，我尝试保存线性模型对象，如下所示：

library(doMC)
registerDoMC()
results <- foreach(i=1:500000) %dopar% { lm(bloodLDLlevel ~ SNP + Age + Gender + BMI, data = Data) }

这花费的时间是仅使用常规 for 循环的两倍多。任何关于如何更好或更快速地做到这一点的建议将不胜感激！我知道使用 lapply 的并行版本可能是一种选择，但也不知道如何做到这一点。

祝一切顺利，

亚历克斯

Answer 1

给您一个启动机会：如果您使用 Linux，则可以使用 parallel 包中包含的 multicore 方法。虽然在使用 foreach 包时需要设置整个事情，但使用这种方法就不再需要了。您的代码将在 16 个核心上运行，只需执行以下操作：

require(parallel)

mylm <- function(i){
  SNP <- Data[i]
  GenoMod  <- lm(bloodLDLlevel ~ SNP + Age + Gender + BMI, data = Data)
  #return the vector
  c(summary(GenoMod)$coefficients["Geno","Pr(>|t|)"],
    summary(GenoMod)$coefficients["Geno","Estimate"])
}

Out <- mclapply(1:500000, mylm,mc.cores=16) # returns list
Result <- do.call(rbind,Out) # make list a matrix

在这里，您创建一个函数，返回具有所需数量的向量，并对其应用索引。虽然我无法检查这一点，因为我无权访问数据，但它应该可以工作。