在 R 中使用多核分析 GWAS 数据

Question

我正在使用 R 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），并想测试它们中的每一个与连续结果（在本例中为血液中的低密度脂蛋白浓度）之间的关联。

我已经编写了一个可以毫无问题地执行此操作的脚本。简单解释一下，我有一个数据对象，称为“数据”。每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 LDL 浓度列。还有 50 万列包含 SNP 数据。

我目前正在使用 for 循环将线性模型运行一百万次，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"]
}

所有这些都可以正常工作。但是，我真的很想加快我的分析速度。因此，我一直在试验多核、DoMC 和 foreach 包。

我的问题是，有人可以帮助我使用 foreach 方案调整此代码吗？

我在显然有 16 个内核可用的 Linux 服务器上运行脚本。我尝试过使用 foreach 包，但使用它的结果相对较差，这意味着使用 foreach 运行分析需要更长的时间。

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) }

这比仅使用常规 for 循环花费的时间多一倍。任何有关如何更好或更快速地做到这一点的建议将不胜感激！我知道使用并行版本的 lapply 可能是一种选择，但也不知道该怎么做。

一切顺利，

亚历克斯

Answer 1

给你一个启动：如果你使用 Linux，你可以使用 parallel 包中包含的 multicore 方法。虽然您需要在使用例如 foreach 包时设置整个事情，但这种方法不再需要。您的代码只需执行以下操作即可在 16 个内核上运行：

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，您创建了一个函数，该函数返回具有所需数量的向量，并在其上应用索引。我无法检查这个，因为我无权访问数据，但它应该可以工作。