【直播】我的基因组50:从测序深度和位点间距来看SNV分布情况

今天的我们,还是继续探究那一个困扰我这么久的问题。为什么我作为堂堂正正的男性,明明X,Y染色体都只有一条,可是却测到了那么多的杂合突变的问题。

在之前,我们在QC阶段详细的探究了X,Y染色体的覆盖度和测序深度,其中X的平均测序深度才16x,而Y却高达60x,我们完全有理由怀疑测序深度对SNV的准确性影响甚大!而且Y染色体总共长度才60M,就有一半是N碱基,有效长度就30M不到,却找到了近3万个SNV,这有着很明显的问题,太密集了~

所以从测序深度和位点间距来看SNV分布情况是非常有必要的!

对于我的X染色体来说,纯合SNV(91588个)占绝大多数,所以问题不大,因为我只有一条X染色体嘛!我重点就分析一下那18424个杂合的SNV看看是什么情况。

我把VCF文件根据纯合和杂合的SNV分开统计了测序深度,并可视化如下:

ChrX杂合SNV深度统计(横坐标是测序深度,纵坐标是SNV个数)

ChrX纯合SNV深度统计(横坐标是测序深度,纵坐标是SNV个数)

很明显,X染色体的纯和SNV是正常的,所以测序深度也非常正常,集中在10~30,超过40的基本就没有多少了。但是对于不正常的那些杂合SNV来说,就很可怕了,测序深度很明显平均高于纯合SNV。而且也高于X染色体的平均测序深度(16X)

那么我们再看看Y染色体,统计并且可视化如下:

ChrY杂合SNV深度统计(横坐标是测序深度,纵坐标是SNV个数)

ChrY纯合SNV深度统计(横坐标是测序深度,纵坐标是SNV个数

同样,纯和SNV是正常的,所以测序深度也非常正常,集中在10~30x,但是超过100的居然还有一大堆!(这些位点太可疑了)而且对于那些不正常的杂合位点来说,很明显测序深度都远高于40x。

接下来我还探究了X,Y染色体的SNV的间距!

这个图对很多人来说比较难以理解,如果需要自己动手实现,要仔细研究我的R代码,其实就是把SNV的坐标提取出来,按照大小排序,然后相邻的坐标之间是有距离的,那么把这些间距拿出来就可以画一个箱线图了,如果箱线图都压缩在一起,就说明大部分SNV的间距实在是太小了,比如X染色体的杂合SNV,简直是一个挨着一个的,完全不符合常理。

也很明显可以看到,我的性染色体的杂合snp位点距离太近了(尤其是X染色体的杂合位点,简直全部凑在了一起,看不出箱线图了),相比纯合来说!

从IGV也可以看到这样的现象大量存在,我随意展示一个一个基因的一个片段reads覆盖截图:

这个基因就这么一个小片段,上面全部是杂合的SNV!

很明显,我可以确定这些杂合SNV是因为人类的X,Y染色体片段大量同源,这样测序得到的reads,必然可以在两个染色体都找到定位,我们的测序策略是PE150,这个长度不足以把片段定位到具体某一条性染色体上面。对于那些multiple mapping的情况,BWA的选择策略是随机给予一个定位即可,那样就导致X,Y染色体片段大量同源变成了2倍体,而不只是理论上的单倍体啦!

我也找到了理论支持,这样的区域叫做PAR(pseudoautosomal region ),包括 PAR1, PAR2,PAR3( 维基百科有详细介绍)

虽然我们对比对的bam文件进行了基本的过滤,比如PCR的duplication,multiple mapping情况,低质量的比对。不过我不太相信,宾夕法尼亚州立大学教授Istvan Albert,他在https://www.biostars.org/p/76893/ 说到按照quality来filter,因为BWA会给多个定位的比对情况质量值为0。虽然软件说明书也是这样写的,但事实上,这样过滤之后,还是有很多reads含有XA:Z,而这个tag意味着有着其它比对选择。

所以multiple mapping的quality必然为0这个预设是值得怀疑的。

Y染色体上面的unique mapping reads共有2.55m, 而multiple mapping reads有1.197m,X染色体上面的unique mapping reads共有16.6m, 而multiple mapping reads有0.971m(m是百万条的意思).

也就是说X,Y染色体上面仍然各有百万条reads是可以多比对情况的,这些reads所定位的区域找到的SNV,都是不可靠的!正是因为这些多比对情况的reads瞎定位,导致了X,Y染色体的测序深度差异如此之大~

上面的统计shell代码是:

bcftools  view -r chrX jmzeng.bcftools.vcf.gzbcftools  view -r chrY jmzeng.bcftools.vcf.gzcat chrX.bcftools.vcf |grep -v "^#" |grep -v INDEL |perl -alne '{/DP=(\d+);/;$depth=$1;@tmp=split(":",$F[9]);print "$F[1]\t$depth\t$tmp[0]"}' >chrx.txtcat chrY.bcftools.vcf |grep -v "^#" |grep -v INDEL |perl -alne '{/DP=(\d+);/;$depth=$1;@tmp=split(":",$F[9]);print "$F[1]\t$depth\t$tmp[0]"}' >chry.txt

对输出的chrx.txt和chry.txt文件进行可视化的R代码是:

bar_plot <- function(a,prefix){  png(paste0(prefix,'.png'),width = 800)  library(calibrate)  tmp = hist(a,breaks = c(1, 10*(1:10),max(a)))  plot(tmp$counts, xaxt='n',type = 'h',lwd=15,xlab = 'depth-region',       ylab='counts',ylim = c(0,1.1*max(tmp$counts)),xlim=c(1,11.5),main = prefix       );  axis(side=1,        labels=paste(c(1, 10*(1:10)),c(10*(1:10),max(a)),sep = '~'),       at=1:11                         )   textxy(1:11,tmp$counts+0.1*max(tmp$counts),tmp$counts,cex = 2,offset=0.3)  dev.off()}chrX=read.table('chrx.txt')colnames(chrX)=c('pos','depth','type')table(chrX$type)# chrX <- chrX[chrX$depth>10,]# table(chrX$type)bar_plot(chrX[chrX$type=='1/1',2],"chrX_hom")bar_plot(chrX[chrX$type=='0/1',2],"chrX_het")chrY=read.table('chrY.txt')colnames(chrY)=c('pos','depth','type')table(chrY$type)# chrY <- chrY[chrY$depth>10,]# table(chrY$type)bar_plot(chrY[chrY$type=='1/1',2],"chrY_hom")bar_plot(chrY[chrY$type=='0/1',2],"chrY_het")par(mfrow=c(2,2))a = chrX[chrX$type=='1/1','pos'] a_diff = diff(a)a_diff = a_diff[ a_diff <10000]boxplot(a_diff,main='chrX-hom')a = chrX[chrX$type=='0/1','pos'] a_diff = diff(a)a_diff = a_diff[ a_diff <10000]boxplot(a_diff,main='chrX-het')a = chrX[chrY$type=='1/1','pos'] a_diff = diff(a)a_diff = a_diff[ a_diff <10000]boxplot(a_diff,main='chrY-hom')a = chrX[chrY$type=='0/1','pos'] a_diff = diff(a)a_diff = a_diff[ a_diff <10000]boxplot(a_diff,main='chrY-het')

文:Jimmy

图文编辑:吃瓜群众

原文发布于微信公众号 - 生信技能树(biotrainee)

原文发表时间:2017-01-24

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据小魔方

R语言可视化——图表嵌套(母子图)

之前在学习ggplot的时候,一直存在着一个困惑。 就是这个函数是否允许两个做出来的两个相关图表重叠嵌套(也就是在一个大图(主图)的边缘位置,放置另一个缩小版的...

2244
来自专栏生信技能树

第41周生信文献分享:肝癌复发的CpG甲基化信号特征

前面我们讲解了一篇2013年多组学数据探索乳腺癌细胞系药物敏感性使用的也是两个机器学习算法,不过是LS-SVM和RF,但是也有借鉴意义。

1402
来自专栏企鹅号快讯

2017年深度学习必读31篇论文

新智元报道 作者:Kloud Strife 译者:刘光明,费欣欣 【新智元导读】2017年即将擦肩而过,Kloud Strife在其博客上盘点了今年最值得关注的...

20110
来自专栏Y大宽

原核非已知转录因子结合位点和可能结合的基因预测

目的: 1、分析该转录因子结合位点。 2、分析该转录因子可能作用的基因及信号通路

2094
来自专栏数说工作室

浅议P值校正

P值,通常被我们用来判断是否接受一个假设,关于P值的前世今生,可以看数说君的了一篇文章《P值之死》,在微信公众号中回复“P值”查看。本篇不说P值本身的问题,我们...

4236
来自专栏生信宝典

WGCNA分析,简单全面的最新教程

7412
来自专栏专知

机器翻译新时代:Facebook 开源无监督机器翻译模型和大规模训练语料

【导读】基于深度学习的机器翻译往往需要数量非常庞大的平行语料,这一前提使得当前最先进的技术无法被有效地用于那些平行语料比较匮乏的语言之间。为了解决这一问题,Fa...

49811
来自专栏人工智能头条

理解长短期记忆网络(LSTM NetWorks)

1473
来自专栏Y大宽

hypothetical protein假设蛋白

在生物学中,hypothetical protein是这样一种蛋白,其存在已经被预测,但是缺乏体内表达的实验证据。基因组测序预测了众多的开放阅读框(open r...

1583
来自专栏生信技能树

第5篇:对ATAC-Seq/ChIP-seq的质量评估(二)——ChIPQC

第4篇:对ATAC-Seq/ChIP-seq的质量评估(一)——phantompeakqualtools

3723

扫码关注云+社区