1.需求說明
進行重測序或者GBS時，hapmap是比較常見的格式，生信中經(jīng)常使用這種格式。但是在GWAS和GS中，數(shù)據(jù)篩選，質(zhì)控，構建矩陣都是使用的plink的格式。本文介紹如何tassel和vcftools兩個軟件，將hapmap格式的數(shù)據(jù)轉化為plink格式的數(shù)據(jù)。
環(huán)境：linux系統(tǒng)
2. 安裝軟件
首先，要安裝anaconda或者miniconda，然后使用conda install進行軟件安裝, 安裝conda方法：https://docs.anaconda.com/anaconda/install/linux/
2.1 安裝tassel
tassel的按照方法，使用git將文件copy到本地，然后將里面的內(nèi)容（可執(zhí)行文件） copy到home下的bin文件中， 不用設置路徑了。
git clone https://bitbucket.org/tasseladmin/tassel-5-standalone.git
2.2 安裝vcftools
https://anaconda.org/bioconda/vcftools
conda install -c bioconda vcftools
2.3 安裝R語言
https://anaconda.org/r/r
conda install -c r r
3. 文件格式
3.1? hapmap格式：genotype.hmp.txt
行頭：
assembly# center protLSID assayLSID panelLSID QCcode sample1 sample2 ...
內(nèi)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格式是基因組選擇中經(jīng)常用到的文件類型， plink軟件功能強大，運行速度快。
3.2.1.map格式
格式說明鏈接: http://zzz.bwh.harvard.edu/plink/data.shtml#map
map格式的文件, 主要是圖譜文件信息, 主要包括染色體名稱, 所在的染色體和所在染色體的坐標.
1, map文件沒有行頭
2, map文件包括四列: 染色體, SNP名稱, SNP位置,? 堿基對坐標
染色體編號為數(shù)字, 未知為0
SNP名稱為字符或數(shù)字, 如果不重要, 可以從1編號, 注意要和bed文件SNP列一一對應
染色體的摩爾未知(可選項, 可以用0)
SNP物理坐標
3, 如果只有SNP名稱, 可以手動構建map文件, 第二列為SNP名稱, 其它三列為0即可.
Example:
1snp1011snp2021snp303
這里有3個SNP, 分別名為snp1, snp3, snp3(第二列)
這三個SNP在第一個染色體上(第一列)
第三列為0
第四列為SNP所在染色體的坐標
3.2.2.ped格式
格式說明鏈接:http://zzz.bwh.harvard.edu/plink/data.shtml#ped
bed格式的文件, 主要包括SNP的信息, 包括個體ID, 系譜信息, 表型和SNP的分型信息.
1, 數(shù)據(jù)沒有行頭, 空格或者tab隔開的文件 2, 必須要有六列, 包括系譜信息, 表型信息
第一列: Family ID # 如果沒有, 可以用個體ID代替
第二列: Individual ID # 個體ID編號
第三列:? Paternal ID # 父本編號
第四列:? Maternal ID # 母本編號
第五列:? Sex (1=male; 2=female; other=unknown) # 性別, 如果未知, 用0表示
第六列:? Phenotype # 表型數(shù)據(jù), 如果未知, 用0表示
第七列以后: 為SNP分型數(shù)據(jù), 可以是AT CG或11 12, 或者A T C G或1 1 2 2
3, 上面六列, 必須要有, 如果沒有相關數(shù)據(jù), 用0表示.
Example:
110010G G22C C120020A A00A C1312120012A C210010A A2200220022A A2200231212A A22A A
數(shù)據(jù)包括兩個家系(第一列)
每個家系有三個個體(第二列)
第三列父本編號
第四列母本編號
第五列性別
第六列表型值
第七列, 第八列為一個基因型
第九列, 第十列為第二個基因型
第十一列, 第十二列為第三個基因型
4. 測試數(shù)據(jù)
將下面文件保存為：hmp.txt 注意， 知乎中是.，但數(shù)據(jù)應該是#，下面這個代碼是正確的。
rs#? alleleschrom pos? strandassembly#centerprotLSIDassayLSIDpanelLSIDQCcodeBox302.YX.2017.06.002Box302.YX.2017.06.003Box302.YX.2017.06.004Box302.YX.2017.06.005Box302.YX.2017.06.11Box302.YX.2017.06.013Box302.YX.2017.06.018Box302.YX.2017.06.019Box302.YX.2017.06.020Box302.YX.2017.06.2110000235A/C680388997+NANANANANANAACAAACAAAAAAAAAAACAC10000345G/A817865885+NANANANANANAGGGGAAGGGGGGGGAAAAGG10004575G/T732792755+NANANANANANAGGGGGGGGGGGTGGGGGGGG10006974T/C114418789+NANANANANANACTCCTTCTCTCTCTTTTTCC10006986A/G276416246+NANANANANANAAAAAAAAAAAAGAGGGGGAA10007074G/C14105043500+NANANANANANAGGGCGCGCGCGCGCGCGGGC10007097C/A15118863849+NANANANANANACCCCCCCCCCCCACCCCCAC10007113G/A9127852320+NANANANANANAGGGGGGAGGGGGAGAAAAGG10007117C/T2150034851+NANANANANANACCCTCCCTCTCTTTCCCTCT10007153A/C6145256960+NANANANANANAAAACAAACAAAAAAACAAAA10007668G/A1019391507+NANANANANANAGGGGGGAGAGAAGGGGGGGG12784072G/A1755229968+NANANANANANAAGAGAGGGAGGGGGAGAAGG12784632T/C628132948+NANANANANANATTTTTTTTTTTTTTCTTTTT12784633T/C628132948+NANANANANANATTTTTTTTTTTTTTCTTTTT12784634T/C628132948+NANANANANANATTTTTTTTTTTTTTCTTTTT12784635T/C628132948+NANANANANANATTTTTTTTTTTTTTCTTTTT12784636G/A1160773437+NANANANANANAAGGGGGGGAGAGGGAGAGGG12784637G/A1160773437+NANANANANANAAGGGGGGGAGAGGGAGAGGG12784638G/A1160773437+NANANANANANAAGGGGGGGAGAGGGAGAGGG12784639G/A1160773437+NANANANANANAAGGGGGGGAGAGGGAGAGGG
5. 處理代碼
5.1 排序
run_pipeline.pl-SortGenotypeFilePlugin-inputFile hmp.txt-outputFile test.sort.hmp.txt-fileType Hapmap
生成一個test.sort.hmp.txt的
5.2 生成 vcf4.0 格式的文件
run_pipeline.pl-fork1-h test.sort.hmp.txt-export-exportType VCF
生成一個test.vcf文件
5.3 使用vcftools生成plink文件
vcftools--vcf test.vcf--plink--out? tassel.test.vcf2plink
生成tassel.test.vcf2plink文件
5.4 使用plink將vcf文件， 變?yōu)閎ed文件
plink--file tassel.test.vcf2plink--make-bed--out tassel.test.vcf2plink
5.5 使用plink將bed文件轉化為map和ped文件
plink--bfile tassel.test.vcf2plink--recode--out result
結果生成：result.ped和result.map文件:
(base)[dengfei@ny01 hmp_2_plink]$ cat result.pedBox302.YX.2017.06.002Box302.YX.2017.06.002000-9C T A G A G A G A G A A C C T T T T T T T T C A A A G G G G G G G G G G C C A GBox302.YX.2017.06.003Box302.YX.2017.06.003000-9C C G G G G G G G G A A T C T T T T T T T T A A C A G G G G G G G G C G C C A GBox302.YX.2017.06.004Box302.YX.2017.06.004000-9T T G G G G G G G G A A C C T T T T T T T T C A A A G G A A G G G G C G C C A GBox302.YX.2017.06.005Box302.YX.2017.06.005000-9C T G G G G G G G G A A T C T T T T T T T T A A C A G G G G A G A G C G C C G GBox302.YX.2017.06.11Box302.YX.2017.06.11000-9C T A G A G A G A G A A T C T T T T T T T T A A A A G G G G G G A G C G C C A GBox302.YX.2017.06.013Box302.YX.2017.06.013000-9C T A G A G A G A G G A T C T T T T T T T T A A A A T G G G G G A A C G C C G GBox302.YX.2017.06.018Box302.YX.2017.06.018000-9C T G G G G G G G G G A T T T T T T T T T T A A A A G G G G A G G G C G A C G GBox302.YX.2017.06.019Box302.YX.2017.06.019000-9T T A G A G A G A G G G C C C T C T C T C T A A C A G G A A A A G G C G C C A GBox302.YX.2017.06.020Box302.YX.2017.06.020000-9T T A G A G A G A G G G T C T T T T T T T T C A A A G G A A A A G G G G C C A ABox302.YX.2017.06.21Box302.YX.2017.06.21000-9C C G G G G G G G G A A T C T T T T T T T T C A A A G G G G G G G G C G A C GG(base)[dengfei@ny01 hmp_2_plink]$ cat result.map11000697401441878911278463601607734371127846370160773437112784638016077343711278463901607734372100069860764162462100071170150034851612784632028132948612784633028132948612784634028132948612784635028132948610000235080388997610007153014525696071000457503279275581000034501786588591000711301278523201010007668019391507
另外，可以編寫R代碼，提取map文件，將代碼轉化，然后轉置，但是效率較低。
特別注意：在執(zhí)行上述步驟之前要對數(shù)據(jù)進行質(zhì)控，確保原始數(shù)據(jù)內(nèi)不包含錯誤行，數(shù)據(jù)行的分隔符不要錯誤。
6. 參考資料
https://zhuanlan.zhihu.com/p/38590403
