GWAS 学习笔记：基因型数据格式转换与工具使用

GWAS 学习笔记：基因型数据格式转换与工具使用

1. 常见基因型数据格式

在全基因组关联分析（GWAS）中，常见的基因型数据格式包括：

• VCF（Variant Call Format）：用于存储基因组变异信息的标准格式，支持多种变异类型（如 SNP、InDel 等），广泛用于基因组学研究。
• HapMap 格式：一种简单的文本格式，用于存储基因型数据，适合群体遗传学分析。
• PED（Pedigree）格式：用于存储基因型和家系信息的文本格式，常与 MAP 文件一起使用。
• BED（Binary PED）格式：PED 格式的二进制版本，存储效率高，适合大规模数据处理。

---

1. VCF（Variant Call Format）

特点

• 标准格式：广泛用于存储基因组变异信息，支持多种变异类型（如 SNP、InDel、结构变异等）。
• 灵活性：可以存储丰富的变异信息，包括变异位置、基因型、质量分数、注释等。
• 扩展性：支持自定义注释字段，适合不同研究需求。

示例

##fileformat=VCFv4.2
##source=myImputationProgramV3.1
##INFO=<ID=NS,Number=1,Type=Integer,Description="Number of Samples With Data">
##INFO=<ID=DP,Number=1,Type=Integer,Description="Total Depth">
##INFO=<ID=AF,Number=A,Type=Float,Description="Allele Frequency">
##FORMAT=<ID=GT,Number=1,Type=String,Description="Genotype">
##FORMAT=<ID=GQ,Number=1,Type=Integer,Description="Genotype Quality">
##FORMAT=<ID=DP,Number=1,Type=Integer,Description="Read Depth">
#CHROM  POS     ID      REF     ALT     QUAL    FILTER  INFO    FORMAT  Sample1 Sample2
1       101     rs1234  A       T       45      .       NS=3;DP=10;AF=0.5      GT:GQ:DP  0/1:48:4  1/1:43:5
1       102     rs5678  C       G       50      .       NS=3;DP=11;AF=0.3      GT:GQ:DP  0/0:50:5  0/1:45:6

字段说明

• #CHROM：染色体编号
• POS：变异位置
• ID：变异标识符（如 rs 编号）
• REF：参考基因组的碱基
• ALT：变异碱基
• QUAL：变异质量分数
• FILTER：过滤信息
• INFO：额外的变异信息
• FORMAT：样本格式字段
• Sample1、Sample2：样本的基因型信息

---

2. HapMap 格式

特点

• 简单文本格式：易于阅读和处理，适合群体遗传学分析。
• 固定列结构：每行代表一个位点，每列代表一个样本的基因型。

示例

rs#      alleles chrom   pos     strand  assembly#       center  protLSID        assayLSID       Sample1 Sample2 Sample3
rs1234   A/T     1       101     +       NCBI36  .       .       .       A/A     A/T     T/T
rs5678   C/G     1       102     +       NCBI36  .       .       .       C/C     C/G     G/G

字段说明

• rs#：变异标识符（如 rs 编号）
• alleles：等位基因（如 A/T）
• chrom：染色体编号
• pos：变异位置
• strand：链方向（+ 或 -）
• assembly#：基因组组装版本
• center：测序中心
• protLSID、assayLSID：实验信息
• Sample1、Sample2、Sample3：样本的基因型

---

3. PED（Pedigree）格式

特点

• 文本格式：用于存储基因型和家系信息。
• 常与 MAP 文件一起使用：MAP 文件存储位点信息，PED 文件存储样本基因型。

示例（PED 文件）

FamilyID SampleID PatID   MatID   Sex     Phenotype      Marker1 Marker2
Fam1     Sample1  0       0       1       1       A/A     C/C
Fam1     Sample2  0       0       2       1       A/T     C/G
Fam1     Sample3  0       0       1       2       T/T     G/G

字段说明

• FamilyID：家系编号
• SampleID：样本编号
• PatID：父亲编号
• MatID：母亲编号
• Sex：性别（1 为男性，2 为女性）
• Phenotype：表型信息（1 为对照，2 为病例）
• Marker1、Marker2：位点的基因型

示例（MAP 文件）

chr1    Marker1  0       101
chr1    Marker2  0       102

字段说明

• chr1：染色体编号
• Marker1、Marker2：位点名称
• 0：未使用的字段
• 101、102：位点位置

---

4. BED（Binary PED）格式

特点

• 二进制格式：存储效率高，适合大规模数据处理。
• 与 PED 格式配套：由 PLINK 工具生成，常用于 GWAS 分析。

示例

BED 文件是二进制格式，无法直接查看，但可以通过 PLINK 工具生成和读取。例如：

# 将 PED 文件转换为 BED 格式
plink --file input --make-bed --out output

生成的文件包括：

• output.bed：二进制基因型数据
• output.bim：位点信息（类似于 MAP 文件）
• output.fam：样本信息（类似于 PED 文件的前 6 列）

示例（BIM 文件）

chr1    Marker1  0       101     A       T
chr1    Marker2  0       102     C       G

字段说明

• chr1：染色体编号
• Marker1、Marker2：位点名称
• 0：未使用的字段
• 101、102：位点位置
• A、T、C、G：等位基因

示例（FAM 文件）

Fam1    Sample1  0       0       1       1
Fam1    Sample2  0       0       2       1
Fam1    Sample3  0       0       1       2

字段说明

• Fam1：家系编号
• Sample1、Sample2、Sample3：样本编号
• 0：父亲编号
• 0：母亲编号
• 1、2：性别（1 为男性，2 为女性）
• 1、2：表型信息（1 为对照，2 为病例）

---

2. 数据格式转换工具

在 GWAS 分析中，数据格式转换是常见的操作，主要使用以下工具：

2.1 TASSEL

TASSEL 是一个用于关联分析和群体遗传学研究的软件工具，支持多种基因型数据格式的导入和转换。其核心脚本 run_pipeline.pl 提供了强大的数据处理功能，例如：

• VCF 到 HapMap：

  run_pipeline.pl \
  -Xms1G -Xmx5G \
  -SortGenotypeFilePlugin \
  -inputFile demo.vcf \
  -outputFile demo.sort.vcf \
  -fileType VCF
  
  run_pipeline.pl \
  -Xms1G -Xmx5G \
  -importGuess demo.sort.vcf \
  -ExportPlugin \
  -format HapmapDiploid \
  -saveAs demo.hmp.txt
  

• HapMap 到 VCF：

  run_pipeline.pl \
  -Xms1G -Xmx5G \
  -SortGenotypeFilePlugin \
  -inputFile demo.hmp.txt \
  -outputFile demo.sort.hmp.txt \
  -fileType Hapmap
  
  run_pipeline.pl \
  -Xms1G -Xmx5G \
  -importGuess demo.sort.hmp.txt \
  -ExportPlugin \
  -format VCF \
  -saveAs demo.h2v.vcf
  

2.2 PLINK

PLINK 是一个广泛使用的全基因组关联研究工具，支持多种基因型数据格式的转换，例如：

• VCF 到 PED：

  plink \
  --vcf demo.vcf \
  --recode \
  --out demo \
  --set-missing-var-ids @:# --allow-extra-chr
  

• PED 到 VCF：

  plink \
  --file demo \
  --recode vcf-iid \
  --out demo.p2v \
  --set-missing-var-ids @:# --allow-extra-chr
  

• VCF 到 BED：

  plink \
  --vcf demo.vcf \
  --make-bed \
  --out demo \
  --set-missing-var-ids @:# --allow-extra-chr
  

• BED 到 VCF：

  plink \
  --bfile demo \
  --recode vcf \
  --out demo.b2v \
  --set-missing-var-ids @:# --allow-extra-chr
  

3. 转换文件类型的原因

在 GWAS 中，转换文件类型主要有以下几方面的原因：

• 适配不同的分析工具：不同工具支持的文件格式不同，转换格式可以确保数据能够被特定工具正确读取和处理。
• 优化数据处理效率：某些格式（如 BED）在存储和处理效率上更具优势，适合大规模数据处理。
• 数据预处理和质控：某些工具在特定格式下提供更强大的预处理功能，转换格式可以方便地进行数据过滤和质控。
• 满足特定分析方法的要求：不同的分析方法可能需要特定格式的数据，转换格式可以确保数据符合分析要求。

4. 总结

在 GWAS 分析中，数据格式转换是重要的预处理步骤。通过使用 TASSEL 和 PLINK 等工具，可以灵活地在不同格式之间转换数据，从而适配不同的分析工具、优化处理效率、进行数据预处理和质控，并满足特定分析方法的要求。

---