vcf转为plink文件前的预处理

在分析 VCF 文件 前，需要对其进行预处理，然后转换为 PLINK 格式（.bed、.bim 和 .fam 文件），以便输入到 FastLMM 中进行分析。以下是一个通用的工作流程，帮助你完成这一过程：

1. 环境准备

确保安装以下工具：

PLINK：用于处理基因型数据。
BCFtools 或 vcftools：用于处理和过滤 VCF 文件。

2. VCF 数据预处理

VCF 文件通常包含以下内容：

所有样本的基因型数据。
可能的低质量 SNP 或样本。

步骤 1：检查 VCF 文件的质量

检查文件是否符合标准格式，并查看样本信息：

bcftools view your_file.vcf | less

检查样本数：bcftools query -l your_file.vcf。
统计变异位点数：bcftools stats your_file.vcf > stats.txt。

步骤 2：过滤低质量数据

对 VCF 文件应用质量控制，确保数据可靠。

vcftools --vcf your_file.vcf \
  --minQ 30 \               # 质量值过滤（PHRED > 30）
  --maf 0.01 \              # 过滤小于 1% 的次要等位基因频率 (MAF)
  --max-missing 0.95 \      # 保留覆盖率大于 95% 的 SNP
  --recode \                # 输出处理后的 VCF
  --out filtered_data

--minQ：移除低质量的变异。
--maf：剔除次要等位基因频率非常低的位点（可能是噪声）。
--max-missing：移除缺失率高的 SNP。

3. 将 VCF 转换为 PLINK 格式

使用 PLINK 将预处理后的 VCF 文件转换为二进制格式。

命令：转换为二进制文件

plink --vcf filtered_data.recode.vcf \
  --make-bed \               # 输出二进制格式文件
  --out data

这将生成以下文件：

data.bed：基因型矩阵。
data.bim：SNP 信息。
data.fam：样本信息。

常见的额外选项

如果 VCF 文件没有显式的基因型编码（如 0/0, 0/1, 1/1），可使用：
```
plink --vcf your_file.vcf --vcf-half-call m --make-bed --out data
```

如果你只想保留某些染色体或样本：

plink --vcf filtered_data.recode.vcf \
  --chr 1-22 \               # 仅保留常染色体
  --keep sample_list.txt \   # 保留样本列表
  --make-bed \
  --out filtered_data

4. 基本质量控制

在 PLINK 格式中进一步过滤，确保高质量数据输入到 FastLMM 中。

步骤 1：样本过滤

移除低覆盖率的样本（样本缺失率过高）。

plink --bfile data \
  --mind 0.1 \        # 移除缺失率 >10% 的样本
  --make-bed \
  --out qc_data

步骤 2：SNP 过滤

移除低质量的 SNP（补充对 VCF 中未完成的过滤）。

plink --bfile qc_data \
  --geno 0.05 \       # 移除缺失率 >5% 的 SNP
  --hwe 1e-6 \        # 硬性过滤 Hardy-Weinberg 不平衡的 SNP
  --make-bed \
  --out final_data

5. 验证和检查

步骤 1：检查过滤后的样本和 SNP

检查样本数和 SNP 数：
```
plink --bfile final_data --freq
```

步骤 2：绘制分布图

表型分布：确保表型值没有异常偏差。
PCA 分析：用来验证样本是否存在群体结构偏差：
```
plink --bfile final_data --pca 10 --out pca_results
```

总结

质量控制是最关键的一步，尽量减少噪声数据的影响。
确保 VCF 文件转换后的样本 ID 和表型文件一致。
如果存在高低温组数据，建议使用协变量调整温度效应，或分组分析。

posted on 2025-01-25 21:26 仓鼠飞轮007 阅读(540) 评论(0) 收藏举报

刷新页面返回顶部