pythonnet plink_GBS hapmap 格式 转化为Plink格式：tassel vcftools方法汇总

1. 参考资料

2. 安装软件

首先，要安装anaconda或者miniconda，然后使用conda install进行软件安装, 安装conda方法：

https://docs.anaconda.com/anaconda/install/linux/

2.1 安装tassel

tassel的按照方法，使用git将文件copy到本地，然后将里面的内容(可执行文件) copy到home下的bin文件中， 不用设置路径了。git clone https://bitbucket.org/tasseladmin/tassel-5-standalone.git

2.2 安装vcftoolsconda install -c bioconda vcftools

2.3 安装R语言conda install -c r r

3. 文件格式

3.1 hapmap格式：genotype.hmp.txt

行头：rs# alleles chrom pos strand assembly# center protLSID assayLSID panelLSID QCcode sample1 sample2 ...

内容：rs# alleles chrom pos strand assembly# center protLSID assayLSID panelLSID QCcode Sample_YCX334/12Sample_ya>1:1151 C 1 1151 + NA NA NA NA NA NA N N N C C C N C>1:1203 T/C 1 1203 + NA NA NA NA NA NA T N T N T T T T>1:1249 A/C 1 1249 + NA NA NA NA NA NA A N A N A A A A>1:1266 G/A 1 1266 + NA NA NA NA NA NA G N G G G G G N>1:1277 T/C 1 1277 + NA NA NA NA NA NA T T T T T T T N>1:1325 C/T 1 1325 + NA NA NA NA NA NA C N N N N N C N>1:1335 G/T 1 1335 + NA NA NA NA NA NA G G G G G G G G>1:1362 G/A 1 1362 + NA NA NA NA NA NA G G G G G G G G>

3.2 plink格式：ped和map

plink格式是基因组选择中经常用到的文件类型， plink软件功能强大，运行速度快。

3.2.1 .map格式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.

1, map文件没有行头

2, map文件包括四列: 染色体, SNP名称, SNP位置, 碱基对坐标

染色体编号为数字, 未知为0

SNP名称为字符或数字, 如果不重要, 可以从1编号, 注意要和bed文件SNP列一一对应

染色体的摩尔未知(可选项, 可以用0)

SNP物理坐标

3, 如果只有SNP名称, 可以手动构建map文件, 第二列为SNP名称, 其它三列为0即可.

Example:1 snp1 0 11 snp2 0 21 snp3 0 3

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

3.2.2 .ped格式

格式说明链接:http://zzz.bwh.harvard.edu/plink/data.shtml#ped

bed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.

1, 数据没有行头, 空格或者tab隔开的文件

2, 必须要有六列, 包括系谱信息, 表型信息

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 # 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

3, 上面六列, 必须要有, 如果没有相关数据, 用0表示.

Example:1 1 0 0 1 0 G G 2 2 C C1 2 0 0 2 0 A A 0 0 A C1 3 1 2 1 2 0 0 1 2 A C2 1 0 0 1 0 A A 2 2 0 02 2 0 0 2 2 A A 2 2 0 02 3 1 2 1 2 A A 2 2 A A

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

第七列, 第八列为一个基因型

第九列, 第十列为第二个基因型

​