plink格式文件的介绍及相互转换

Plink常用的文件格式有两套：map/ped 和 bim/fam/bed。两组文件均没有列名，且每一列表示的意思是一定的。几种格式之间可以相互转换。推荐使用BED/BIM/FAM这种格式，读取速度快。

1. map/ped 文件

.map文件
格式说明链接：http://www.cog-genomics.org/plink/1.9/formats#map
map格式的文件, 主要是图谱文件信息, 主要包括染色体名称, 所在的染色体和所在染色体的坐标。

map文件包括：

第一列：染色体编号（1-22, X, Y or 0 if unplaced）, 未知为0；
第二列：SNP名称（字符或数字）, 如果不重要, 可以从1编号, 注意要和bed文件SNP列一一对应；
第三列：染色体的摩尔位置(可选项, 可以用0)；
第四列：SNP物理坐标；

示例：

1 snp1 0 1
1 snp2 0 2
1 snp3 0 3

示例说明：这里有3个SNP, 分别名为snp1, snp3, snp3 (第二列)；这三个SNP在第一个染色体上 (第一列)；第三列为0；第四列为SNP所在染色体的坐标。

.ped文件
格式说明链接：http://www.cog-genomics.org/plink/1.9/formats#ped
ped格式的文件, 主要包括SNP的信息, 包括个体ID, 系谱信息, 表型和SNP的分型信息。

.ped 文件主要有 6 列，后面都是基因型：

第一列: Family ID # 如果没有, 可以用个体ID代替；
第二列: Individual ID # 个体ID编号；
第三列: Paternal ID # 父本编号；
第四列: Maternal ID # 母本编号；
第五列: Sex (1=male; 2=female; other=unknown) # 性别, 如果未知, 用0表示；
第六列: Phenotype (0=unknown; 1=unaffected; 2=affected) # 表型数据, 如果未知, 用0表示；
第七列以后: 为SNP分型数据, 可以是AT CG或11 12, 或者A T C G或1 1 2 2；

示例：

1 1 0 0 1 0 G G 2 2 C C
1 2 0 0 2 0 A A 0 0 A C
1 3 1 2 1 2 0 0 1 2 A C
2 1 0 0 1 0 A A 2 2 0 0
2 2 0 0 2 2 A A 2 2 0 0
2 3 1 2 1 2 A A 2 2 A A

示例说明：数据包括两个家系 (第一列)；每个家系有三个个体 (第二列)；第三列父本编号；第四列母本编号；第五列性别；第六列表型值；第七、八列为第一个基因型；第九、十列为第二个基因型；第十一、十二列为第三个基因型。

2. bim/fam/bed文件

格式说明链接：http://www.cog-genomics.org/plink/1.9/formats 或 http://www.cog-genomics.org/plink/2.0/formats

.bim文件
bim文件存储每个遗传变异（通常是SNP）的相关信息，每一行代表一个遗传变异，共6列：
第一列：染色体编号（常用整数标记，如22表示第22条染色体，性染色体和线粒体染色体用’X’/‘Y’/‘XY’/‘MT’表示，而’0’ 代表染色体信息缺失）；
第二列：变异标识符，这个就相当与每一个遗传变异的编号，常见的SNP可以采用以“rs”开头的编号；
第三列：每个遗传变异在基因组上的位置，用摩尔根或者厘摩尔根表示；
第四列：碱基对的坐标；
第五列：等位基因1（A1），通常是次要等位基因（minor allele）；
第六列：等位基因2（A2），通常是主要等位基因（major allele）。

.fam文件
fam存储的是样本家系等信息，共6列：
第一列：家系编号(‘FID’)；
第二列：个体编号(‘IID’; 不能是 ‘0’)；
第三列：父系编号 (‘0’ 表示父系信息缺失)；
第四列：母系编号(‘0’ 表示母系信息缺失)；
第五列：性别编号(‘1’ = 男, ‘2’ = 女, ‘0’ = 性别未知)；
第六列：表型值 (‘1’ = 对照, ‘2’ = 病例, ‘-9’/‘0’/表示表型缺失)。

.bed文件
bed存储基因型信息，是plink中的二元等位基因表。
解释详见 http://www.cog-genomics.org/plink/1.9/formats#bed
注意：此处的bed文件与 UCSC Genome Browser’s BED format 中的bed文件格式是完全不同的东西。

3. plink格式文件的相互转换

参考：https://zzz.bwh.harvard.edu/plink/dataman.shtml

#1. bed/bim/fam 转为 ped/map
#input files: test.bed; test.bim; test.fam  #output files: test1.ped; test1.map
plink --file test --recode --out test1 

#2. ped/map转为二进制格式 bed/bim/fam
#input files: test.ped; test.map  #output files: test2.bed; test2.bim; test2.fam
plink --file test --make-bed --out test2

#3.SNP编码成加性(字母 012) 
# http://zzz.bwh.harvard.edu/plink/dataman.shtml#recode
# 注：默认编码方式：两个等位均为major allele，则编码为0；杂合等位编码为1；两个minor等位编码为2。
#input files: test.ped; test.map  #output files: test.raw
plink --file test --recodeA --out test 
# ped文件中, SNP的分型是1 1 2 2 或 11 22  或 AA TT 或 AA 22，均采用该命令进行转换，且不影响结果。

#4.vcf转ped/map
#input files: test.vcf;  #output files: test.ped; test.map
plink --vcf test.vcf --recode --out test   # 当出现错误，无法读取chrom时，加 --allow-extra-chr，可以强制程序接受编号
vcftools --vcf test.vcf --plink --out test

#5.bed/bim/fam转vcf
#input files: test.bed; test.bim; test.fam  #output files: test.vcf
plink --bfile test --export vcf --out test
plink --bfile test --recode vcf-iid --out test  

plink --bfile filename --a1-allele file.bim 6 --make-bed --out newfilename # a1 a2在bim文件中替换位置。

4. 利用plink进行数据预处理（修剪SNP集）

(1) 删除基因型缺失率大于5%、次要等位基因频率小于0.01的SNPs

plink --file hapmap --geno 0.05 --maf 0.01 --out hapmap --make-bed

(2) 基于连锁不平衡的SNP修剪（窗宽500、删除LD大于0.1的SNP对中的一个、每次将窗口向前移动10个SNP）

plink --file hapmap --indep-pairwise 500 10 0.1 
plink --file hapmap --extract plink.prune.in --make-bed --out prunedhapmap

(3) 基于随机采样保留部分SNPs（例如只随机保留20%的SNP）

plink --file hapmap --thin  0.2 --out hapmap --make-bed

(4) 采用上述所有步骤并输出bed、bim、fam文件

plink --file hapmap --geno 0.05 --maf 0.01 --indep-pairwise 500 10 0.1 --thin 0.2
plink --file hapmap --extract plink.prune.in --make-bed --out prunedhapmap

plink --bfile cluster_remove --recode --out data --noweb #由bed文件转为ped、map文件
plink --file data --geno 0.05 --maf 0.01 --indep-pairwise 500 10 0.1 --thin 0.2
plink --file data --extract plink.prune.in --make-bed --out pruneddata

(5) 将23andme原始数据文件转化为.ped文件

plink --23file File.txt --make-bed --out NewFile

(6) 将多个数据合并
其中fileset3.txt中包含要合并的文件名。

plink --file genom0 --merge-list filesets3.txt --make-bed --out combdata

(7) 筛选vcf文件中的SNPs
在file.txt中， snp名字作为一列，无header，输出格式为vcf

vcftools --gzvcf test.vcf --snps snps.txt --recode --recode-INFO-all --out filter.snp

5. 总结

File	第1列	第2列	第3列	第4列	第5列	第6列	第7列	第8列	第9列	第10列	第11列	第12列	说明
.map	染色体	rsID	摩尔位置	物理坐标									图谱文件信息
.ped	FID	IID	PID	MID	Sex	表型	SNP1_A1	SNP1_A2	SNP2_A1	SNP2_A2	…	…	个体ID, 系谱信息, 表型和SNP的分型信息
.raw	FID	IID	PID	MID	Sex	表型	SNP1_A	SNP2_G	…	…	…	…	个体ID, 系谱信息, 表型和SNP的分型信息
bed	chr	chrStart	chrEnd	name	score	strand	ThickStart	ThickEnd	ItemRgb	BlockCount Block Sizes	Block Starts		UCSC Genome Browser’s BED format
.bed													SNP数据，二进制格式
.bim	chr	rsID	摩尔位置	物理坐标	A1	A2							SNP位置信息
.fam	FID	IID	PAT	MAT	Sex	表型							家系表型信息
.vcf	chr	pos	ID	REF	ALT	QUAL	FILTER	INFO	FORMAT	sample1	sample2	sample3	variant call format

参考阅读：

plink格式的map文件和ped文件，https://blog.csdn.net/weixin_42948291/article/details/103333306
GWAS | 原理和流程 | 全基因组关联分析 | Linkage disequilibrium (LD)连锁不平衡 | 曼哈顿图 Manhattan_plot | QQ plot，https://www.cnblogs.com/leezx/p/9013615.html