前言
QQ 图是评估 GWAS 模型性能的核心诊断工具之一，主要用于判断模型对群体结构（Population Structure）和亲缘关系（Kinship）的控制效果。
QQ 图作为模型选择依据的原理
QQ 图用于比较观测到的 P 值分布与理论上预期的零假设下的均匀分布。理想情况下，如果群体中没有真实关联（或模型完美控制了混杂因素）：
- 图中大部分点（低关联度的 P 值）应紧密落在对角线 y=x 上。
- 图中尾部的点（低 P 值，高关联度）应偏离对角线向上，代表真实的遗传信号。
关键指标：基因组膨胀因子 (λGC)
QQ 图质量的定量衡量指标是基因组膨胀因子 λ (Genomic Inflation Factor)。
对于自由度为 1 的卡方分布约为0.455，常用简化计算式为：
从 P 值计算 χ²
如果只有 GWAS 的 P 值，可以先转换为 χ² 统计量：
λGC 的解释（经验范围）
无明显膨胀 (λ ≈ 1.0)
理想状态 (λ ≈ 1.0)
- QQ 图的点在主体部分紧密贴合对角线，尾部快速上扬。
- 这表明模型有效地控制了群体混杂因素。
- 模型选择理由： 应该优先选择 λ 值最接近 1.0 的模型。
- 轻度膨胀 (1.10 > λ >1.05)
基因组膨胀 (λ > 1.0)
- QQ 图上的点整体位于对角线上方。
- 这表明模型未能充分控制群体结构或亲缘关系，可能存在群体结构或系统偏倚，导致 P 值普遍被低估，产生了大量假阳性（Type I Error）。
- 模型选择理由： 放弃这个模型，因为它给出的 P 值不可信。
基因组紧缩 (λ < 1.0)
- QQ 图上的点整体位于对角线下方。
- 这表明模型矫正过度/模型过拟合（Over-correction），导致真实的 P 值被高估（即真实的关联信号被错误地抑制了）。
- 模型选择理由： 放弃这个模型，因为它可能抑制真实的遗传信号，导致假阴性（Type II Error）。
⚠️ 对于大样本、高多基因性状，λGC > 1 不一定是坏事。
QQ 图不能作为唯一理由
尽管 λ 值接近 1.0 是选择模型的有力证据，但它并不能说明模型的全部性能。
- 忽略功效（Power）： λ 值并不能显示模型检测真实信号的能力（Power/功效）。某些模型（如 FarmCPU 或 BLINK）通过迭代或多位点控制，可能具有相似的 λ，但在尾部能检测到更强的信号（即 P 值更低，Manhattan 图峰更高）。
- 计算效率： 在 GWAS + GS 混合主题中，模型的计算效率（如 FarmCPU 或 BLINK 通常比标准 MLM 更快）是一个重要的实际考量。
- 性状特异性： 最佳模型往往因性状的遗传结构（稀疏性或多基因性）而异，不同性状的最佳模型不同。