简介：pQTLtools 是面向蛋白质定量性状基因座研究的 R 工具包，适合具备一定 R 语言基础、需要开展 Olink、SomaLogic 等面板数据整理与下游分析的科研人员及生物信息学学习者使用。压缩包共 125 个文件、约 5.92MB，包含 21 个 html 文档、15 个 png 图示、11 个 rda 数据、10 个 r 脚本以及 rmd、rd、sh、txt 等辅助文件，覆盖面板数据、hg19/hg38 注释、函数说明与示例流程，便于查阅数据结构、复现分析步骤并理解工具组织方式。资源已有 759 人学习，说明其在 pQTL 分析场景中具有一定参考价值，适合用于入门熟悉与日常查阅。读者可从中获取安装配置线索、面板数据对接思路、函数用法说明和可复用的分析脚本，并借助图示与文档快速定位关键模块，理解数据集与功能之间的对应关系，减少从零梳理工具链与排查环境问题的时间。

1. 装 pQTLtools 之前先认清一件事：报错往往不在 pQTLtools 本身

第一次在一台内网 R 环境里装 pQTLtools，敲完安装命令，编译走到一半就停住了，报的是 Rcpp 找不到 C++ 编译器，pQTLtools 自身的代码一行都还没跑。pQTL 这条工具链在 R 生态里很典型：pQTLtools 依赖 data.table、Rcpp 以及一批 Bioconductor 包，任何一层缺件，安装都会停在离目标很远的地方，让排查方向从一开始就偏掉。这套环境适合做蛋白 QTL 汇总数据整理、SMR 输入文件生成、共定位分析的人，也适合要把别人跑过的流程在内网复现一遍的人。装不好不会立刻报错，往往要等跑到一半才出错，代价比装不上还高。下面按我实际装机的顺序，把这套环境从零铺一遍。

2. 安装 pQTLtools：从系统编译链到 R 库的四步

pQTLtools 的安装失败，九成发生在“还没轮到它”的阶段。所以顺序不能乱：系统层编译工具 → R 本体 → CRAN/Bioconductor 依赖 → 最后才是 pQTLtools 源码包。反过来装，错误信息会被层层包裹，很难定位。

2.1 把系统编译链和图形依赖先补齐

R 包源码安装要用到 C/C++/Fortran 编译器，还要用到几个被大量包隐式依赖的开发头文件。这些在最小化安装的系统镜像里通常一个都没有。我一般先一次性装齐：

# Debian/Ubuntu 系：编译链 + 常见 R 包依赖的系统库 sudo apt-get update sudo apt-get install -y \ build-essential \ # gcc/g++/make，Rcpp 系列包的硬前提 gfortran \ # 部分数值计算包需要 Fortran libcurl4-openssl-dev \ # 网络请求类包（下载、API 调用） libssl-dev \ # 加密与 TLS libxml2-dev \ # XML/HTML 解析 libfontconfig1-dev \ # 图形设备与字体，ggplot2 相关 libharfbuzz-dev libfribidi-dev \ libpng-dev libtiff5-dev libjpeg-dev

build-essential是 Rcpp 编译的前提，缺它就会看到C++ compiler not found这种和 pQTLtools 毫无关系的报错。libcurl4-openssl-dev和libssl-dev是很多包在配置阶段就configure: error的原因，注意要装-dev后缀的开发包，只装运行时库没用。图形那几个是 ggplot2 出图设备的依赖，虽然不影响计算，但一旦缺失，画图函数会在运行期崩溃，比装不上更难查。

RHEL/CentOS 系对应的包名是gcc-gfortran、libcurl-devel、openssl-devel、libxml2-devel，思路一样，只是名字不同。

装完立刻验证，不要等下一步：

gcc --version | head -n 1 # 有版本输出即可 g++ --version | head -n 1 gfortran --version | head -n 1

三条命令任意一条报command not found，后面的步骤都不用试了，先回头补编译链。

2.2 R 本体与库路径：先把“装到哪”定死

R 的版本差异在这类分析包里体现得很直接：新版 R 对stringsAsFactors的默认值、对Rcpp的 ABI 都有调整，同一份源码包在 4.1 和 4.3 上编译结果可能不同。我一般统一到 4.2 以上，并且全机器只保留一个主版本。

R --version | head -n 1 # 输出示例：R version 4.3.1 (2023-06-16) -- "Beagle Scouts"

版本确认之后，紧接着要确认的是库路径，这是后面最多坑的地方：

.libPaths() # [1] "/usr/local/lib/R/site-library" "/usr/lib/R/site-library" "/usr/lib/R/library"

输出有多行说明系统存在多个库。默认情况下，install.packages()往第一个可写路径装，而library()按顺序找。如果安装时用了--library=指定了别处，加载时却没把它加进.libPaths()，就会得到「明明装了却找不到包」的经典矛盾。我的做法是定一个统一的自定义库，写进~/.Rprofile：

# ~/.Rprofile —— 全局生效，开机即加载 .local_lib <- "/opt/R/site-library" dir.create(.local_lib, recursive = TRUE, showWarnings = FALSE) .libPaths(c(.local_lib, .libPaths())) # 自定义库排最前，优先级最高

recursive = TRUE保证父目录不存在时能一次建出来；showWarnings = FALSE只是避免每次启动 R 都刷一遍“目录已存在”。把自定义库放在.libPaths()的第一位，意味着后面所有install.packages()默认都装到这里，library()也优先从这里找，路径就对齐了。

注意：如果用sudo R装到系统库，普通用户跑分析时能读到但装不进去；反过来用普通用户装到个人库，切换账号后又找不到。多人共用的机器上，统一到一个/opt下的公共库比各自为政省事得多。

2.3 依赖包分两批装：CRAN 与 Bioconductor

pQTLtools 的真正依赖清单以包内DESCRIPTION文件为准，不要凭印象装。如果是源码目录，先读一遍：

# 在解压后的 pQTLtools 源码目录下执行 desc <- read.dcf("DESCRIPTION") cat("Depends:\n"); cat(desc[1, "Depends"], "\n\n") cat("Imports:\n"); cat(desc[1, "Imports"], "\n\n") cat("Suggests:\n"); cat(desc[1, "Suggests"], "\n")

Depends是加载包时就必须存在的，Imports是包内部调用时需要的（同样必须先装好），Suggests只有跑示例或特定功能才用到，可以先跳过。这一步能避免“装完发现少个包、再回头补”的来回。

依赖分两批装。CRAN 上的先来：

# 批量安装，已装的会自动跳过 cran_pkgs <- c("data.table", "Rcpp", "RcppArmadillo", "ggplot2", "optparse", "remotes", "BiocManager") install.packages(cran_pkgs, lib = "/opt/R/site-library", repos = "https://cloud.r-project.org", dependencies = TRUE)

dependencies = TRUE会把依赖的依赖一并拉下来，代价是可能装很多用不上的包；机器空间紧张可以改成NA，只装硬依赖。lib显式指定，和前面.libPaths()保持一致。

Bioconductor 的包不要用install.packages()装，版本对不上会出问题，统一走BiocManager：

# BiocManager 会自动匹配当前 R 版本对应的 Bioconductor 版本 BiocManager::install(version = "3.18", ask = FALSE, update = FALSE) BiocManager::install(c("GenomicRanges", "IRanges", "biomaRt"), lib = "/opt/R/site-library", ask = FALSE)

update = FALSE是关键：BiocManager 默认会提示更新一堆已装包，在内网或生产环境里这个“顺手升级”很容易把原本能跑的包升崩。ask = FALSE让它不交互，适合脚本化。

装完做一次依赖自检，把所有依赖挨个require一遍，比等运行时才发现缺包强：

deps <- c("data.table", "Rcpp", "ggplot2") res <- vapply(deps, requireNamespace, logical(1), quietly = TRUE) print(res[!res]) # 输出 FALSE 的项，就是没装上的

requireNamespace(..., quietly = TRUE)只检查命名空间能否加载，不会把包挂到搜索路径上，适合做批量体检。

2.4 安装 pQTLtools 本体：源码包与两种装法

本体安装有两种写法，效果一样，适用场景不同。

第一种是命令行，适合写进部署脚本：

# 用法：R CMD INSTALL --library=<目标库> <源码包路径> R CMD INSTALL --library=/opt/R/site-library ./pQTLtools_<ver>.tar.gz

第二种在 R 会话内，适合边装边看输出：

install.packages("./pQTLtools_<ver>.tar.gz", repos = NULL, # 不走仓库，直接读本地文件 type = "source", # 强制源码编译，不用二进制 lib = "/opt/R/site-library")

repos = NULL表示不访问任何仓库，纯本地安装，内网机器必须这么写，否则 R 会尝试联网找索引然后失败。type = "source"是显式声明源码安装，在 Linux 上本来就是默认值，写上是为了避免在混合环境里被误判成二进制包。

如果拿到的是源码目录而不是 tar.gz，也可以直接指向目录，R 会现场打包再编译。编译过程输出很长，重点看最后几行：出现DONE (pQTLtools)才算成功，出现ERROR就往上翻，找到第一个error:而不是最后一个，后面的报错基本都是前面连锁反应。

装完立刻确认版本与安装位置：

find.package("pQTLtools") # 包实际所在的目录 packageVersion("pQTLtools") # 装上的版本号

find.package()返回的路径如果和.libPaths()[1]不一致，说明装到了别的库，后面所有加载都可能出问题，这时候要么重装到目标库，要么把那个路径补进.libPaths()。

3. 配置 pQTLtools：参考数据、路径与并行参数

包装上只是能library()，真正让它跑起来的是三样配置：参考数据放哪、临时文件写哪、并行开几个。这三样配错，表现出来都不是报错，而是结果为空或者跑得极慢。

3.1 用 .Rprofile 固化路径，别在脚本里硬编码

我见过太多脚本第一行写死一个绝对路径，换台机器就全线崩。路径这类东西应该收在配置文件里，脚本只引用变量。~/.Rprofile是 R 启动时自动执行的文件，适合放这类全局设定：

# ~/.Rprofile —— 自定义变量，注意不是包内置参数 .pqtl_ref_dir <- "/data/ref/1kg_eur" # LD 参考面板目录 .pqtl_work_dir <- "/data/work/pqtl" # 中间文件与输出目录 .pqtl_threads <- 8L # 并行线程数 .pqtl_tmp <- "/data/tmp" # 大文件临时目录，别放 /tmp options( datatable.print.nrows = 20, # 控制台打印行数，防止刷屏 timeout = 600 # 单次下载超时放宽到 10 分钟 )

这里要说明一点：上面四个变量是我自己起的名字，不是 pQTLtools 的内置参数。之所以这么写，是因为不同版本的包对参数命名并不统一，用自定义变量做一层间接，脚本里只引用变量名，将来包升级或换机器时只改.Rprofile一处，不用动业务代码。

.pqtl_tmp单独指到数据盘很关键。默认临时目录常在系统盘，pQTL 分析动辄读写几个 G 的中间文件，系统盘写满之后 R 会报各种莫名其妙的错误，甚至被系统的 OOM 机制直接杀掉，连日志都不留——这是我踩过最像玄学的一次。

options(timeout = 600)是给下载参考数据用的，默认 60 秒在跨网段拉大文件时经常不够。

3.2 参考面板：基因组版本必须先对齐

pQTL 分析里几乎所有跨数据集的操作都依赖 LD 参考面板，而参考面板和汇总统计数据的基因组版本必须一致。这是最容易翻车的地方：GRCh37 的坐标拿去查 GRCh38 的参考面板，不会报错，只会返回一堆空结果或者离谱的 LD 值。

我一般按项目建目录，一个版本一个目录，目录名带版本号：

/data/ref/ ├── 1kg_eur_grch37/ # 千人基因组欧洲人群，GRCh37 坐标 │ ├── panel.chr1.bed │ ├── panel.chr1.bim │ └── panel.chr1.fam └── 1kg_eur_grch38/ # 同人群，GRCh38 坐标

每个目录下放 bed/bim/fam 三件套（PLINK 格式），这是绝大多数 LD 计算工具的通用输入。放好之后在 R 里做一次可用性检查：

ref <- "/data/ref/1kg_eur_grch37" files <- file.path(ref, paste0("panel.chr", 1:22, c(".bed", ".bim", ".fam"))) missing <- files[!file.exists(files)] if (length(missing)) stop("参考面板缺失：\n", paste(missing, collapse = "\n"))

这段检查看着朴素，但能挡住后面 80% 的“结果为空”。file.exists()逐文件判断，比直接读进内存再看报错快得多，尤其在 22 条染色体逐个循环的时候。

还有一处细节：染色体命名。有的面板写1，有的写chr1，汇总统计表里又是另一种写法。合并时字符串匹配不上就是 0 行结果。我习惯在读入后立刻统一成不带前缀的数字：

# 统一染色体命名，去掉 chr 前缀并转成字符型 norm_chr <- function(x) sub("^chr", "", as.character(x), ignore.case = TRUE)

sub("^chr", "", ...)只替换行首，不会误伤基因名里的 chr 字样；ignore.case = TRUE兼容CHR1这种大写写法。

3.3 并行、内存与临时目录

pQTL 流程里最耗时的两段是 LD 计算和逐基因扫描，都是天然可并行的。线程数不是越多越好：我一般设成物理核数的一半到三分之二，留出余量给内存回收。8 核机器设 4～6，16 核设 8～10，超线程数不要按逻辑核算。

内存方面，data.table 读大表时峰值内存大概是文件大小的 2～3 倍，中间做合并、排序还要再翻一倍。我的经验公式是：单个汇总统计文件大小 × 5，就是这次运行大致要留的可用内存。

# 运行前先看一眼可用内存，别等被系统杀掉 mem_gb <- as.numeric(system("free -g | awk '/^Mem:/{print $7}'", intern = TRUE)) if (mem_gb < 16) warning("可用内存仅 ", mem_gb, " GB，建议减小分块大小或降低线程数")

free -g的第七列是可用内存（available），比第二列的 free 更准确，因为它把可回收的缓存也算进去了。这个判断放在脚本开头，比跑到一半被打断强。

临时目录也在这里定：

# 大文件中间结果写数据盘，避免撑爆系统盘 tmp_dir <- "/data/tmp/pqtl" dir.create(tmp_dir, recursive = TRUE, showWarnings = FALSE) Sys.setenv(TMPDIR = tmp_dir) # 影响 R 及子进程的临时文件位置

Sys.setenv(TMPDIR = ...)会影响 R 调用外部程序时子进程的临时目录，所以要在启动任何外部命令之前设置。

4. 跑通第一个 pQTL 流程：从输入表到结果目录

配置齐全之后，剩下的事是拿一份小数据把整条链路走一遍。这一步的目的不是出成果，是证明环境是通的。任何一处配置错误，都会在这个环节原形毕露。

4.1 输入汇总统计表的最低要求

pQTL 的输入是蛋白 QTL 的汇总统计数据，一行一个遗传变异。不同来源的表列名五花八门，我在读入后统一成一套内部命名，后面的代码只认内部名：

这张对照表不是抄来的标准，是我自己踩坑之后固定下来的映射关系。列名不统一的时候，最省事的做法是写一个改名函数，而不是在每个脚本里重复改：

# 把常见外部列名映射到内部命名；未命中的列原样保留 std_cols <- c(snp = "SNP", chr = "CHR", pos = "BP", ea = "A1", oa = "A2", beta = "BETA", se = "SE", pval = "P", n = "N") normalize_cols <- function(dt) { hit <- intersect(names(std_cols), names(dt)) # 外部表中实际存在的列 data.table::setnames(dt, old = hit, new = names(std_cols)[match(hit, std_cols)]) dt }

setnames()是原地修改，不复制整张表，几百万行的表也不会额外占内存。match()保证改名的对应关系不会错位，这比手写一长串if靠谱。

读入用data.table::fread()，比read.table()快一个数量级，而且能自动识别分隔符：

library(data.table) dt <- fread("/data/work/pqtl/input/protein_x_sumstats.tsv", select = c("SNP", "CHR", "BP", "A1", "A2", "BETA", "SE", "P", "N"))

select只读需要的列，几 G 的文件能省下大量内存和时间。这个参数在列数很多的汇总统计表上效果尤其明显。

4.2 用示例数据走一遍完整链路

不同版本的 pQTLtools 导出的函数名不完全一样，所以第一步永远是看这个版本到底有什么：

library(pQTLtools) packageVersion("pQTLtools") ls("package:pQTLtools") # 列出所有导出函数

拿到函数清单之后，按「读取 → 对齐参考面板 → 计算 → 输出」的顺序串起来。下面这段是按常见命名写的示意流程，函数名以你机器上ls()的输出为准，对应关系按实际导出名替换：

library(pQTLtools); library(data.table) # 1) 读入并标准化 dt <- normalize_cols(fread("input/protein_x_sumstats.tsv")) # 2) 基础质控：去掉缺失值、MAF 异常、P 值非法的行 dt <- dt[!is.na(beta) & !is.na(se) & se > 0 & pval > 0 & pval <= 1] # 3) 与参考面板对齐（染色体命名、等位基因方向） dt[, chr := norm_chr(chr)] # 4) 执行主流程，输出到指定目录 out <- "output/protein_x" dir.create(out, recursive = TRUE, showWarnings = FALSE) run_pqtl(input = dt, ref = .pqtl_ref_dir, outdir = out, threads = .pqtl_threads)

se > 0这个条件必须显式加，标准误为 0 会让下游所有基于 Wald 比值的计算返回 Inf，且不会报错，只会静默污染结果。pval的判断写成闭区间，是因为有些数据源会把 0 当成“缺失”来填，直接参与计算会得到无意义的值。

threads = .pqtl_threads引用的是前面.Rprofile里的变量，这样换机器只改一处。

跑之前先拿 1000 行做小样本试跑，比直接上全量聪明得多：

small <- dt[1:1000] system.time(run_pqtl(input = small, ref = .pqtl_ref_dir, outdir = "output/smoke", threads = 2))

system.time()返回的用户时间、系统时间、流逝时间三个值能告诉你瓶颈在哪：流逝时间远大于用户时间，说明卡在 IO 或等待；用户时间占大头，说明计算密集，可以加线程。小样本能跑通再上全量，这是我固定下来的习惯。

4.3 输出目录里该有什么

一次成功的运行，输出目录的结构大致是这样：

output/protein_x/ ├── .esi # SMR 格式的 SNP 信息（二进制） ├── .epi # SMR 格式的探针/蛋白信息 ├── .besd # 二进制剂量矩阵 ├── pqtl_summary.tsv # 每个显著信号的汇总表 └── run.log # 运行日志，记录参数与耗时

.esi/.epi/.besd是 SMR 工具链的标准输入格式，三个文件要配套，缺一个下游就读不进来。.besd是二进制格式，不能直接用文本编辑器打开看，但可以用配套的读取函数抽查前几行，确认维度对得上：

# 抽查输出维度：行数应等于 SNP 数，列数应等于蛋白/探针数 info <- file.info("output/protein_x/.besd") cat("besd 文件大小：", round(info$size / 1024^2, 1), "MB\n")

文件大小为 0 或者只有几 KB，基本可以判定流程中途失败但没抛异常，这时回头看run.log，多半能找到线索。

run.log是我要求必须写的，记录开始时间、参数、每条染色体的耗时。出了问题时，它比控制台里滚过的几千行输出有用得多。

5. 安装与运行排查：五个反复出现的坑

下面这五条，是我在不同机器上重复遇到过至少两次的。每条按「现象 → 原因 → 解决」记，遇到同类问题可以直接对号入座。

5.1 现象：library()报 there is no package called 'xxx'，但明明装过

原因是库路径不一致。install.packages()默认装到第一个可写路径，而library()按.libPaths()顺序找，如果安装时用了lib=参数指向别处，加载时就找不到。

解决方式是先确认包在哪，再把路径补进去：

# 在所有已知库路径里查这个包 find.package("pQTLtools", quiet = TRUE) # 或在 shell 里直接找目录 # find /opt /usr -maxdepth 6 -type d -name "pQTLtools" 2>/dev/null

找到之后执行.libPaths(c("实际路径", .libPaths()))，或者干脆重装到统一库。这类问题在共享机器上特别常见，不同账号有各自的~/.Rprofile，路径自然对不上。

5.2 现象：编译时报curl/curl.h: No such file or directory

原因只装运行时库、没装开发头文件。R 包的源码编译链接的是.h头文件，而系统默认只带运行时的.so。

解决办法是按报错里的头文件名反推包名，装对应的-dev：

# 报错里出现哪个头文件，就装哪个开发包 # curl/curl.h -> libcurl4-openssl-dev # openssl/ssl.h -> libssl-dev # libxml/parser.h -> libxml2-dev sudo apt-get install -y libcurl4-openssl-dev libssl-dev libxml2-dev

报错信息里的路径前缀就是包名线索，比搜索引擎快。这也是为什么第 2 章要把这些一次性装齐——省下来的时间远多于多装几个包的空间。

5.3 现象：读大文件时 R 进程直接消失，没有任何报错

这是被操作系统的 OOM 机制杀掉了，属于最难查的一类，因为 R 层面什么痕迹都不留。

原因通常是fread()一次性读入 + 后续合并时又复制了一份，峰值内存翻到文件大小的好几倍。

解决办法有三层：一是用select只读需要的列；二是分批处理，按染色体循环，每轮结束rm()加gc()；三是先用awk在 shell 层做一次预过滤，把明显无关的行砍掉再进 R。

for (chr in 1:22) { dt <- fread(sprintf("input/chr%d.tsv", chr), select = need_cols) res <- run_pqtl(input = dt, ref = .pqtl_ref_dir, outdir = out, threads = 4) rm(dt, res); gc() # 每轮结束主动释放，别等 R 自己回收 }

gc()不是万能的，但按染色体循环这种“每轮数据量固定”的场景里，主动回收能把峰值内存压下来一大截。

5.4 现象：流程跑完不报错，但结果表一行都没有

八成是染色体命名或等位基因方向对不上。参考面板写chr1、汇总统计写1，字符串匹配失败，结果为空但不报错，属于典型的静默失败。

排查手法是拿两边的 ID 各取前几行直接比对：

head(fread(cmd = "zcat /data/ref/1kg_eur_grch37/panel.chr1.bim", header = FALSE)[, 1:2], 3) head(dt[, .(chr, snp)], 3)

两个输出并排看，命名风格一眼就清楚了。解决就是在读入后统一做一次norm_chr()，并且对 rsID 做一次交集数量检查：

common <- length(intersect(dt$snp, panel_snps)) if (common < 100) warning("匹配到的 SNP 只有 ", common, " 个，检查命名与基因组版本")

这种“数量级检查”比逐个调试管用得多，一眼就能看出是数据问题还是逻辑问题。

5.5 现象：library()能过，但调用函数报 could not find function

原因有两个：一是装上的版本比你以为的旧，函数在那个版本里还不存在；二是函数是内部函数，没有导出。

先确认版本，再确认函数是否导出：

packageVersion("pQTLtools") ls("package:pQTLtools") # 只看导出函数 ls(getNamespace("pQTLtools"), all.names = TRUE) # 连内部函数一起看

如果函数只在内部命名空间里，用pQTLtools:::函数名调用，但要注意内部函数没有稳定性保证，升级后可能改名或消失。我的做法是能用导出函数就不用内部函数，实在要用就在脚本里写死版本号并记一笔，方便日后回溯。

6. 装完怎么验证：三条自检把环境钉死

装完不验证，等于没装。我见过太多“当场能跑、第二天换个会话就崩”的情况，多半是环境变量只在当前 shell 里生效，或者依赖包被别的操作顺手升级了。所以每台机器装完，我都会走一遍下面这三条自检，全部通过才交付。

第一条，检查加载干净：

# 在一个全新会话里执行，不能有 Warning 或 Error library(pQTLtools) cat("版本：", as.character(packageVersion("pQTLtools")), "\n") cat("路径：", find.package("pQTLtools"), "\n")

注意必须是全新会话，不能接着安装时的窗口继续敲。安装过程中的临时环境变量可能掩盖问题，新开一个R --vanilla才是真实状态。--vanilla会跳过.Rprofile，如果带着它都能正常加载，说明包装到了默认能找到的库；跳过之后不行，说明项目在强依赖.Rprofile，那就得考虑把这个配置固化到部署脚本里。

第二条，检查依赖完整性：

deps <- c("data.table", "Rcpp", "ggplot2") ok <- vapply(deps, requireNamespace, logical(1), quietly = TRUE) if (all(ok)) cat("依赖完整\n") else print(names(ok)[!ok])

这一步能把“主包装上了但依赖缺一个”的情况提前暴露。依赖缺失最坑的地方在于它不一定在加载时报错，可能等到调用某个具体功能才崩。

第三条，用最小数据集跑通全链路，并核对输出：

冒烟运行那一条，我会刻意用和正式数据同结构、但只有一千行的小文件。它跑得快，能在一两分钟内给出结论，而且足以覆盖读入、对齐、计算、写出四个环节。跑完看一眼输出文件大小，几 KB 以下基本可以判定有问题。

这三条自检加起来不到五分钟，但能挡掉后面几小时的排查。

从那以后我每台新机器装完 pQTLtools，都强制先跑一遍这三条自检，再动真实数据——不是流程复杂，是吃过一次“装完当天能跑、隔天换个账号全崩”的亏，那个后悔药真没有。希望帮到你。

本文还有配套的精品资源，点击获取