大家好,我是邓飞。前几天推荐了一个快速学习GWAS的方法,还没看过的点击查看:所以GWAS学习看视频还是看代码?
GWAS分析中,我们用基因型数据(SNP)+表型数据,进行关联分析,得到显著性的SNP,这些SNP有染色体和物理位置,那么我们如何对SNP进行基因注释呢?即,我们如何得到显著SNP附近的基因。
一般一个物种,基因都已经注释过了,保存在gtf或者gff文件中,有物理位置,基因区间,基因的大体功能,我们可以用显著的SNP查找上下游附近的基因,这就是基因注释。
基因注释,有几步,比如确定显著SNP上下游多长,来查找基因,这就需要计算LD衰减距离:LD衰减图绘制--PopLDdecay,然后根据上下游去和gff文件合并,把区间内的基因找到,这就找到目标基因了。
下面,用一个例子,来介绍一下操作的方法:
下图1左边是SNP的上下游区间,右边图2是基因的上下游区间,想以图1为标准,将区间内有基因的行放到右边。
「换到基因注释的领域,看一下相关需求:」
「处理注意:」
「SNP区间文件:」
这里,提取显著SNP的区间,提取三列信息:染色体,开始位置,结束位置:
共有6个SNP区间,其中第一个和第二个有重合,第五个和第六个有重合。
$ cat snp_infor.ped
chr1 5 15
chr1 10 20
chr1 30 40
chr1 80 90
chr1 110 120
chr1 115 125
「基因区间文件:」
共有5个基因区间文件,分别是:染色体,开始位置,终止位置,基因名称。
$ cat gene_infor.ped
chr1 1 14 gene1
chr1 17 19 gene2
chr1 45 82 gene3
chr1 88 93 gene4
chr1 100 105 gene5
「需求:」
代码:
bedtools intersect -a snp_infor.ped -b gene_infor.ped -loj
结果:
$ bedtools intersect -a snp_infor.ped -b gene_infor.ped -loj
chr1 5 15 chr1 1 14 gene1
chr1 10 20 chr1 1 14 gene1
chr1 10 20 chr1 17 19 gene2
chr1 30 40 . -1 -1 .
chr1 80 90 chr1 45 82 gene3
chr1 80 90 chr1 88 93 gene4
chr1 110 120 . -1 -1 .
chr1 115 125 . -1 -1 .
结果可以看到,第二个SNP区间,对应两个基因,写成了两行。第三个SNP区间没有对应基因,用-1表示占位。共返回8行信息。
如果不想要占位符,只想返回有基因的SNP信息,可以命令如下:
bedtools intersect -a snp_infor.ped -b gene_infor.ped -wa -wb
结果:
$ bedtools intersect -a snp_infor.ped -b gene_infor.ped -wa -wb
chr1 5 15 chr1 1 14 gene1
chr1 10 20 chr1 1 14 gene1
chr1 10 20 chr1 17 19 gene2
chr1 80 90 chr1 45 82 gene3
chr1 80 90 chr1 88 93 gene4
可以看到,将没有匹配到基因的SNP删除了。
上面的信息中,有些SNP匹配到了多个基因,也就是基因是有重复的。
合并命令:
bedtools merge -i snp_infor.ped >snp_infor_merge.ped
原始数据:
$ cat snp_infor.ped
chr1 5 15
chr1 10 20
chr1 30 40
chr1 80 90
chr1 110 120
chr1 115 125
合并的结果:
$ cat snp_infor_merge.ped
chr1 5 20
chr1 30 40
chr1 80 90
chr1 110 125
然后和基因的信息进行合并:
$ bedtools intersect -a snp_infor_merge.ped -b gene_infor.ped -wa -wb
chr1 5 20 chr1 1 14 gene1
chr1 5 20 chr1 17 19 gene2
chr1 80 90 chr1 45 82 gene3
chr1 80 90 chr1 88 93 gene4
结果可以用2中,统计一下个数,也可以用bedtools的-c参数:
$ bedtools intersect -a snp_infor.ped -b gene_infor.ped -c
chr1 5 15 1
chr1 10 20 2
chr1 30 40 0
chr1 80 90 2
chr1 110 120 0
chr1 115 125 0
结果可以看到,SNP1有一个基因,SNP2有2个基因,SNP3没有基因……
把上面SNP的区间,作为显著性SNP上下游的信息,把基因的信息作为gff基因文件,就可以进行基因注释了!
上面的玩法都可以做。
「注意,将gff格式整理为:染色体,开始位置,结束位置,基因信息;
snp区间整理为:染色体,开始区间,结束区间」
可以实现的功能: