生信软件38 - 基因型填充软件IMPUTE2

本文链接：https://blog.csdn.net/LittleComputerRobot/article/details/142981084

1. IMPUTE2简介

IMPUTE2是一款基因型填充软件，可执行预定相和填充，准确率较高。

IMPUTE2说明文档： https://mathgen.stats.ox.ac.uk/impute/impute_v2.html#ex2

2. IMPUTE2下载安装

tgz压缩包解压后会存在一个Example的目录，用于运行后续的示例程序。

# 下载压缩包，linux静态版本
wget https://mathgen.stats.ox.ac.uk/impute/impute_v2.3.2_x86_64_static.tgz

# 解压
tar -zxvf impute_v2.3.2_x86_64_static.tgz

IMPUTE2参数说明：

输入参数

-g : 分析或填充的输入基因型文件，文件格式参考： http://www.stats.ox.ac.uk/%7Emarchini/software/gwas/file_format.html

-m：待分析区域的精细重组率文件，对于有三列：position， COMBINED_rate(cM/Mb)， Genetic_Map(cM)，分别表示：物理位置（以bp为单位），当前位置和图中下一个位置之间的重组率（以cM/Mb为单位），遗传图位置（以cM为单位），下载解压参考面板时会包含此文件。

-int：推断的基因组间隔，使用两个数字指定要在当前染色体上估算的区域边界。可以直接使用**-int 5420000 10420000**）或以指数表示法（例如，-int 5.42e6 10.42e6）作为输入。 IMPUTE 2要求指定分析间隔，如果要填充大于7 Mb的区域（通常不建议使用），则必须添加-allow_large_regions参数。

-h：已知单倍型的文件，每个SNP一行，每个单倍型一列。所有等位基因必须编码为0或1，每个-h文件必须提供相应的legend文件（且对于顺序相同）。IMPUTE2提供了来自HapMap项目和1,000个基因组项目的格式化单倍型下载。

-l：包含SNP相关信息的legend文件，每个文件应该有四列：rsID、物理位置（以碱基对为单位）、等位基因0和等位基因1，后两列指定0/1编码的等位基因; 这些等位基因可以采用{A，C，G，T}中的值。

-g_ref: 包含未定相基因型的文件，用作填充的参考样本组，与-g输入文件格式相同。-g_ref文件可用作插补的唯一参考面板，也可与单个-h文件组合以创建双层参考面板（在后一种情况下，-g_ref文件应大致包含-h文件中SNP的子集）。

-known_haps_g: 包含研究队列已知单倍型的文件。该格式与IMPUTE 2的-phase选项的输出格式相同：每个个体有5个标题列（如-g文件中所示），后跟2个列（单倍型）。单倍型列中允许的值为0、1和？。

输出参数

-o：主输出文件的名称，与-g文件相同的格式。

-i：输出SNP信息文件的名称，每个SNP一行，开头有一个标题行。

-r：输出日志文件名称。

-w：记录IMPUTE2生成的警告信息文件名。

-os：指定输出文件的SNP类型，默认情况下，所有插补和基因分型的SNP都包括在输出中，即，“-os 0 1 2 3“。

-o_gz: 主输出文件通过gzip进行压缩。

-outdp：指定主输出文件中报告基因型概率的小数位数。

-phase：告诉程序打印从定相过程产生的最佳猜测单体型。

-pgs：告诉程序用-o文件中的估算基因型替换-g文件中的输入基因型（仅适用于2型SNP）。

-pgs_miss：与-pgs不同，-pgs用估算的基因型替换所有输入的基因型，该选项告诉程序仅替换已分型SNP处缺失的基因型。也就是说，任何最大概率超过-call_thresh的输入基因型将简单地重新打印在-o文件中，而低于调用阈值的输入基因型将在输出中填充。

其他参数

-k_hap: 使用多少个参考单倍型。默认值为500；

-Ne: 控制IMPUTE 2使用的群体遗传模型中的有效群体大小，建议通用的**-Ne值为20000**；IMPUTE 2在宽范围的Ne值上实现了高精度，在值较大时精度略高；

-buffer：在-int选项指定的分析间隔的每一侧包含的缓冲区长度（kb）。缓冲区中的SNP通知推断，但不会出现在输出文件中（除非激活-include_buffer_in_output标志）。使用缓冲区有助于防止插补质量在分析区间边缘附近恶化。较大的缓冲区可以提高低频变体的准确性，但运行时间更长。

-allow_large_regions：允许分析大于7 Mb的区域。如果此标志未激活，并且分析间隔加上缓冲区超过7 Mb，则程序将退出并显示错误。

-include_buffer_in_output：告诉程序在所有输出文件中包括来自-buffer区域的SNP。

-call_thresh：在-g文件中调用基因型的阈值。对于每个SNP的每个个体，如果概率超过阈值，则程序将使用具有最大概率的基因型;否则，基因型将被视为缺失，此阈值仅适用于输入基因型。

-nind：要包括在分析中的-g文件中的个体数。例如，如果只估算前五个个体，则set-nind 5。此选项对于调试和测试运行非常有用。

-verbose：打印有关填充进度的详细输出。

填充区间不应太大，因为这会削弱IMPUTE 2在选择定制参考样本组时的近似值，该近似值基于所分析区域中有限重组的假设。从理论上讲，可能需要根据被估算的人群调整区间大小，例如，但是在实践中，我们发现，只要间隔相对较小（比如10 Mb），间隔的确切大小对插补精度的影响就很小。因此，我们建议选择分析区间的大小以方便计算，而不考虑研究或参考数据集的血统。

3. 参考数据下载

可下载HapMap3和1000G基因组计划的人类遗传变异数据，包含非洲、亚洲、欧洲和美洲多个采样地点的样本。在基因型填充时，选择对应人群的参考面板，可提高填充的准确度。

![[Pasted image 20241016140834.png]]

基于2，504个样本的序列数据， 1000G单倍型-NCBI build 37（hg 19）坐标中的整合变体集。

# 1-22常染色体
wget https://mathgen.stats.ox.ac.uk/impute/1000GP_Phase3.tgz
tar -zxvd 1000GP_Phase3.tgz


# X性染色体
wget https://mathgen.stats.ox.ac.uk/impute/1000GP_Phase3_chrX.tgz
tar -zxvd 1000GP_Phase3_chrX.tgz

压缩文件包含：

（1）.hap.gz，每个常染色体的文件， IMPUTE的分阶段单体型文件

（2）.legend.gz，每个常染色体的文件， IMPUTE图例文件；

	column 1 (id): 变量ID
	column 2 (position): 碱基对位置
	column 3 (a0): 在.hap文件中标记为“0”的等位基因
	column 4 (a1): .hap文件中标记为“1”的等位基因
	column 5 (TYPE): SNP/INDEL/SV表示双等位基因变体的类型
	column 6-10 (AFR, AMR, EAS, EUR, SAS): 人群ALT等位基因频率
	column 11 (ALL): 所有样本的ALT等位基因频率

（3）genetic_map：基因图谱， IMPUTE遗传图谱文件。

（4）1000GP_Phase3.sample：单倍型文件中个体的样本ID、群体和人群的文本文件。每个样品有两个单倍型，并且单倍型的列顺序与样品ID的行顺序匹配，其中EAS (East Asians)表示东亚人，SAS (Southern Asians)表示南亚人。