大家伙,我是邓飞,之前写过两篇Excle数据转为plink的格式:
有些人可以成功,也有很多人各种报错,这里介绍一下常见的问题以及解决方法。帮到别人,记录一下,能帮到更多的人,毕竟:
人类的错误都是类似的,多看看别人的错误,就能避免二次犯错。所以搜索引擎查看别人的解决方法来解决自己的问题。我的习惯是自己找到了解决方案,就记录到博客中,这样别人遇到这种问题就能解决了。
所以,别人搜到了我写的东西,觉得很有帮助,无它,只是坑爬的多了,就有了经验。
希望对需要的人有所帮助,赠人玫瑰手留余香。
测序公司给的是xls或者xlsx格式的数据,数据的格式如下:
这里,每一行是一个SNP,每一列是一个样本。
library(openxlsx)
library(tidyverse)
library(data.table)
dat = read.xlsx("genotype.xlsx")
dat[1:10,1:10]
map = dat %>% select(2,1,x = 3,p = 3)
head(map)
ped = dat %>% select(-c(1:4)) %>% t() %>% as.data.frame() %>%
mutate(ID = rownames(.)) %>%
mutate(x3=0,x4=0,x5=0,x6=0) %>%
select(FID=ID,IID=ID,x3,x4,x5,x6,everything())
ped[1:10,1:10]
fwrite(map, "file.map",col.names = F,quote = F,sep = " ")
fwrite(ped, "file.ped",col.names = F,quote = F,sep = " ",na = "00")
第一,读取数据
第二,整理为map数据
第三,整理为ped数据
第四,保存为plink的格式
注意,这里的缺失定义为##
,后面需要通过sed命令,将其转为00字符。
map数据:
ped数据:
plink --file file --missing
如果没有报错,就转化成功了。
这个一般是map和ped数据不匹配,可以通过R中的map和map查看一下什么情况:
> dim(map)
[1] 43251 4
> dim(ped)
[1] 185 43257
可以看到map有43251行,也就是有43251个SNP,ped比map多六列,因为第七列才是SNP的数据,结果没有什么问题。
再看一下map的前几行和后几行:
可以看到map最后几行是错误的,原始的xlsx文件有问题。
通过查看xlsx文件,发现最后有很多空白的内容,将相关行全部删除,再处理一下:
重新运行上面的代码:
$ plink --file file --missing
PLINK v1.90b6.21 64-bit (19 Oct 2020) www.cog-genomics.org/plink/1.9/
(C) 2005-2020 Shaun Purcell, Christopher Chang GNU General Public License v3
Logging to plink.log.
Options in effect:
--file file
--missing
32718 MB RAM detected; reserving 16359 MB for main workspace.
Possibly irregular .ped line. Restarting scan, assuming multichar alleles.
Rescanning .ped file... 0%
Error: Line 1 of .ped file has fewer tokens than expected.
还是报错。
这里,读取数据时,将其定义为缺失:
dat = read.xlsx("geno20.xlsx",na.strings = "NN")
再处理:
plink --file file --missing
这样就读取成功了。
当然,上面的位点中,有些是多态性的位点,稀有的多态位点会作为缺失。
plink格式不支持indel位点,需要将indel位点删除。
当然,如果有几万个snp,就不方便处理了。
思路:
library(openxlsx)
library(tidyverse)
library(data.table)
# 将缺失的分型定义为NN
dat = read.xlsx("genotype.xlsx",na.strings = "NN")
dat[1:10,1:30]
# 检查map是否正常
map = dat %>% select(2,1,x = 3,p = 3)
head(map)
tail(map)
ped = dat %>% select(-c(1:4)) %>% t() %>% as.data.frame() %>%
mutate(ID = rownames(.)) %>%
mutate(x3=0,x4=0,x5=0,x6=0) %>%
select(FID=ID,IID=ID,x3,x4,x5,x6,everything())
ped[1:10,1:30]
fwrite(map, "file.map",col.names = F,quote = F,sep = " ")
fwrite(ped, "file.ped",col.names = F,quote = F,sep = " ",na = "00")