关联分析就是将突变与表型联系起来，如果表型是分类的，最简单的方法就是卡方检验。plink - -assoc 原理就是这样，但不能添加协变量，plink - -logistic可以做到这一点。如果表型是连续的数量表型，例如身高等，可以用 plink --linear ,也可以添加协助变量。
先将协变量信息写入到文件 SNP.covar，前两列是FID and IID，后面的列是协变量，主要有年龄、身高、体重等。表型文件 inhi.pheno1 前两列也是FID and IID，第三列是表型。
plink 关联分析
plink --bfile SNP --covar SNP.covar --logistic --hide-covar --out bleeding
plink --bfile SNP --covar SNP.covar --pheno inhi.pheno1 --linear --hide-covar --out inhi1
plink --bfile SNP --covar SNP.covar --pheno inhi.pheno2 --logistic --hide-covar --out inhi2
--covar designates the file to load covariates from. The file format is the same as for --pheno (optional header line, FID and IID in first two columns, covariates in remaining columns). By default, the main phenotype is set to missing if any covariate is missing; you can disable this with the 'keep-pheno-on-missing-cov' modifier.
--pheno causes phenotype values to be read from the 3rd column of the specified space- or tab-delimited file, instead of the .fam or .ped file. The first and second columns of that file must contain family and within-family IDs, respectively.
--covar 是添加协变量文件 --pheno 添加表型文件，同时会忽略原来 .fam 里的表型。
生成 .assoc.logistic 或者 .assoc.linear 文件，文件内容见下图。主要需要的数据就是P值，此值越小代表SNP与表型关系越显著。
做曼哈顿图（Manhattan）
参考作图的意义
https://www.jianshu.com/p/987859ae503c
使用R包作图
library(qqman)
bleeding <- read.table("../data/bleeding.assoc.logistic", head=TRUE)
bleeding <- bleeding[-which(is.na(bleeding[,9])),]
##竟然有缺失值，导致报错，这个包竟然不能自动去除缺失值。上面步骤就是直接删除缺失的行。
jpeg("bleeding_manhattan.jpeg")
manhattan(bleeding,chr="CHR",bp="BP",p="P",snp="SNP", main = "Manhattan plot: logistic")
dev.off()
这个图其实就是散点图，横坐标代表染色体，纵坐标是P值对数，每个点就是一个SNP，点越高代表P值越小，和表型关系越显著。一般会高与5，6甚至达到8，我们这里最高才到4。可能的原因有样本量太少，或者如表型相关性本身就低。
Q-Q plot ，P值越小的地方偏离直线越多，区别于预设的模型（随机分布），才证明我们挑出的关联的SNP越可靠。同样参考https://www.jianshu.com/p/987859ae503c
做出来的一个好的例子（药物抑制率）
