linkage disequilibrium (LD)–based clumping 中 clumping 代表什么意思

这里的 clumping 可以直译成 “聚类 / 成团 / 扎堆”，但在 GWAS / MR 里更准确的理解是：

把处于较强 linkage disequilibrium（LD）的 SNP 归到同一“团”里，然后每一团只保留一个代表性 SNP。

为什么要 clumping？

假设你有下面这些 SNP：

SNP1 ───── SNP2 ───── SNP3 ───────── SNP4
  │          │           │
  └────── 高 LD ─────────┘

                              SNP4 与它们 LD 很低

比如：

如果设置：

clump-r2 = 0.001

那么 SNP1、SNP2、SNP3 可能被认为属于同一个 LD block，而 SNP4 是另一个独立信号。

于是：

SNP1 ─┐
SNP2 ─┼──> 一个 clump → 保留 SNP1
SNP3 ─┘

SNP4 ─────> 另一个 clump → 保留 SNP4

最终得到：

SNP1
SNP4

而不是：

SNP1
SNP2
SNP3
SNP4

为什么通常保留 P 值最小的 SNP？

因为 clumping 一般以 index SNP / lead SNP 为中心。

例如：

rs100   P = 1e-20   ← lead/index SNP
rs101   P = 1e-15
rs102   P = 1e-10
rs103   P = 1e-8

如果它们彼此高度 LD：

rs100 ─── rs101 ─── rs102 ─── rs103
          high LD

那么它们通常代表的是同一个遗传关联信号，而不是 4 个完全独立的 SNP。

所以：

                    clumping
                       ↓
rs100 ─┐
rs101 ─┤
rs102 ─┼──────────→ rs100
rs103 ─┘

在 MR 中为什么特别重要？

你之前的 MR 参数：

--clump-r2 0.001
--clump-kb 10000

意思大致是：

在 10,000 kb（10 Mb）范围内，如果两个 SNP 的 LD 达到 r² ≥ 0.001，就认为它们不够独立，只保留其中的代表性 SNP。

所以 MR 的流程可以理解成：

GWAS significant SNPs
        │
        ↓
   LD clumping
        │
        ↓
相互尽可能独立的 SNPs
        │
        ↓
    MR analysis

clumping 的核心目的就是“去掉由于 LD 而重复代表同一个遗传信号的 SNP”。

另外要注意：clumping ≠ LD pruning，两者非常相似但侧重点不同。如果你正在理解 gwas-mr --clump-r2 0.001 --clump-kb 10000，这个区别很值得弄清楚。