【直播】我的基因组58:用R包SNPRelate来对我的基因型跟hapmap计划数据比较

hapmap计划的人群分布结果和千人基因组计划的分布结果来分析是一样的!【直播】我的基因组55:简单的PCA分析千人基因组的人群分布

这两个计划里面收集的样本的种群信息都比较完善,而且每个样本的基因型信息很容易就下载了。

但是hapmap收集的样本要比千人基因组计划少一些,如下:

数据下载见前面的系列贴

mkdir -p ~/annotation/variation/human/hapmapcd ~/annotation/variation/human/hapmap# ftp://ftp.ncbi.nlm.nih.gov/hapmap/wget ftp://ftp.ncbi.nlm.nih.gov/hapmap/phase_3/relationships_w_pops_051208.txtnohup wget -c -r -np -k -L -p  -nd -A.gz ftp://ftp.ncbi.nlm.nih.gov/hapmap/phase_3/hapmap3_reformatted &

这样就得到了hapmap计划涉及到的所有样本的基因型文件。

然后再学一下SNPRelate的用法:

说明书还比较好读:http://corearray.sourceforge.net/tutorials/SNPRelate/

只有一个核心函数,就是用snpgdsPCA来对包含了GDS格式的基因型信息的文件做分析!

所以重点就是创建GDS格式的基因型文件!

有两种方式来创建GDS文件,被R包作者包装成了两个函数:分别是snpgdsCreateGeno和snpgdsVCF2GDS

其中snpgdsCreateGeno需要自己导入6个数据,比较复杂,第一个是genmat,每个样本在每个位点的基因型(0,1,2)矩阵,然后是sample.id(共279个)和snp.id(共1000个)看名字就知道是样本编号和位点的编号,然后是snp.chromosome和snp.position记录着那1000个snp位点的染色体及坐标信息,最后是snp.allele说明该位点是由什么突变到什么的。

而snpgdsVCF2GDS可以直接读取多样本的VCF文件,一般来说需要自己把多个样本的vcf文件合并成一个,稍微简单一点!

创建好的GDS文件,可以用openfn.gds,index.gdsn,read.gdsn,closefn.gds函数来操作,但是意义不大,我们只需要做PCA分析即可。

包说明书介绍的代码如下,我添加了注释,很简单就可以看懂!

data(hapmap_geno)## you need to create this data by yourself.# Create a gds filesnpgdsCreateGeno("test.gds", genmat = hapmap_geno$genotype,sample.id = hapmap_geno$sample.id, snp.id = hapmap_geno$snp.id,snp.chromosome = hapmap_geno$snp.chromosome,snp.position = hapmap_geno$snp.position,snp.allele = hapmap_geno$snp.allele, snpfirstdim=TRUE)# Open the GDS file(genofile <- snpgdsOpen("test.gds"))## 需要详细理解 genofile 这个对象里面包含的数据内容RV <- snpgdsPCA(genofile, num.thread=2)## 做PCA分析的时候不需要样本的种群信息,但是画图的时候需要,可以看看聚类是否符合认知。pop <- read.gdsn(index.gdsn(genofile,path="sample.annot/pop.group"))## 如果你没有在 snpgdsCreateGeno 里面添加 sample.anno详细,那么上面这个代码是无效的,不过你可以直接赋值pop,就是一个向量,指明你的sample.id(共279个)所属种群即可。plot(RV$eigenvect[,2], RV$eigenvect[,1],col=as.integer(factor(pop)),xlab="PC 2", ylab="PC 1")legend("topleft", legend=levels(factor(pop)), pch="o", col=1:4)

我就基于前面对千人基因组计划数据的探索来使用这个包:

根据我对这个包的学习,目前我只有我挑选的snp位点的dbSNP的ID,并没有保留它们的染色体坐标以及突变形式,我需要重新再写个程序,支持直接去dbSNP数据库里面搜索即可。

zcat ~/annotation/variation/human/dbSNP/All_20160601.vcf.gz |perl -alne 'BEGIN{open FH,"/home/jianmingzeng/biosoft/fastpop/FastPop/snp.txt";while(<FH>){chomp;$h{$_}=1};close FH}{print "$F[2]\t$F[0]\t$F[1]\t$F[3]/$F[4]" if exists $h{$F[2]}}' >fastpop.dbSNP

还是挑选前面的fastpop软件的那两千多个位点吧!就对上面下载的数据进行批量处理:

ls ~/annotation/variation/human/hapmap/*gz |while read iddoecho $idfile=$(basename $id )pop=${file%%.*}zcat $id |perl -alne 'BEGIN{open FH,"/home/jianmingzeng/biosoft/fastpop/FastPop/snp.txt";while(<FH>){chomp;$h{$_}=1};close FH}{print join("\t",$F[0],@F[11..$#F]) if exists $h{$F[0]}}' >$pop.choose.genotypedone

生成了11个种群的genotype文件,然后用下面的R代码处理。

listFiles=list.files("./","*genotype")ASW <- read.table(listFiles[1],stringsAsFactors = F);ASW[1:4,1:4]sample_list<-paste("ASW",1:(ncol(ASW)-1),sep = '_')pop <- rep("ASW",ncol(ASW)-1)for (f in listFiles[2:length(listFiles)] ){this_pop=strsplit(f,'\\.')[[1]][1];tmp <- read.table( f ,stringsAsFactors = F);tmp[1:4,1:4]pop <- c(pop,rep(this_pop,ncol(tmp)-1))sample_list<-c(sample_list,paste(this_pop,1:(ncol(tmp)-1),sep = '_'))ASW <- merge(ASW,tmp,by='V1')}exprSet <- ASWcolnames(exprSet)=c('rsID',sample_list)exprSet[1:4,1:4]snp_info=read.table('fastpop.dbSNP',stringsAsFactors = F)head(snp_info)snp_info <- snp_info[match(as.character(exprSet$rsID),snp_info[,1]),]genotype <- exprSet[,-1]genotype <- apply(genotype,1,function(x){as.numeric(as.factor(x))})genotype <- t(genotype)-1dim(genotype);genotype[1:4,1:4]library(gdsfmt)library(SNPRelate)data(hapmap_geno)# Create a gds filesnpgdsCreateGeno("hapmap.gds", genmat = genotype,sample.id = as.character(sample_list), snp.id = as.character(exprSet[,1]),snp.chromosome = snp_info[,2],snp.position = snp_info[,3],snp.allele = snp_info[,4], snpfirstdim=TRUE)# Open the GDS file(genofile <- snpgdsOpen("hapmap.gds"))table(pop);super_pop=poptable(super_pop)RV <- snpgdsPCA(genofile, num.thread=2)pc.percent <- RV$varprop*100head(round(pc.percent, 2))plot(RV$eigenvect[,2], RV$eigenvect[,1], col=as.integer(factor(super_pop)),xlab="PC 2", ylab="PC 1")legend("bottomleft", y.intersp=0.3,legend=levels(factor(super_pop)), pch="o", col=1:length(super_pop))# close the genotype fileclosefn.gds(genofile)

人种太多了,上色就很麻烦,我也懒得把我自己的基因型放进去了,比较千人基因组计划的分析结果挺好的。

这个hapmap首先基因型就是通过芯片得到的,准确性没有千人基因组计划的测序数据好。

参考文献:

http://www.stat-gen.org/tut/tut_preproc.html

https://wurmlab.github.io/genomicscourse/2016-SIB/practicals/population_genetics/popgen

原文发布于微信公众号 - 生信技能树(biotrainee)

原文发表时间:2017-02-18

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

来自专栏听雨堂

地图校正方法心得

如果想校正两张比例,坐标系,时间都不同的电子地图,简直太难了,大概辛苦了一周时间,才有点心得: 1、选择公共点时,河流、公路、高程、等高线均不能选,大的固定...

1885
来自专栏君赏技术博客

关于AutoLayout原生Content Hugging和Content Resistance小研究

之前就知道系统AutoLayout有拉伸和挤压的设置,平时用Masonry设置优先级也是可以解决这样的挤压和压缩的问题。但是设置Masonry的优先级自己一直设...

704
来自专栏逍遥剑客的游戏开发

Valve: The Lab Renderer for Unity

4107
来自专栏机器人网

线性执行元件的工作方式及分类

线性执行元件是一种以直线为基础进行能量转换的一种元件。线性执行元件可以根据应用者的要求而改变控制对象的状态,这种独特性能吸引着越来越多的人发现和应用它。线性执行...

2595
来自专栏PHP技术

photoshop

优化配置photoshop 1.ps默认暂存盘是c盘,更改方法'编辑->首选项->性能',提高历史记录状态的数值,并将容量大,不常使用的本地磁盘指为暂存盘。 ...

35911
来自专栏BestSDK

Hexagon DSP 发布SDK 3.3.2,打造全新神经网络库

将推理、场景分类、图像处理和视频回放增强之类的工作负载放到边缘设备(如智能手机)的CPU和GPU进行处理,会耗尽运行周期并缩短电池使用寿命。DSP编程越方便,您...

4066
来自专栏逍遥剑客的游戏开发

动画系统的一些功能

1785
来自专栏腾讯NEXT学位

简单三步做出微信h5表情包

1264
来自专栏SAP最佳业务实践

SAP最佳业务实践:SD–外贸出口处理(118)-4发货

一、VL10C创建交货 1. 在 销售订单项目 屏幕上,进行以下输入: 字段名称用户操作和值注释装运点/接收点<装运点> 交货创建日期(从)<输入交货创建日期>...

32110
来自专栏拂晓风起

【转】Flash:同志们,这些知识点你们知道多少?(一些必备的Flash开发知识点)

812

扫描关注云+社区