PLINK语法体验
by张成龙 邮箱：[email protected] 该教程参考邓飞博客与自己总结
plink软件是GWAS分析中常用的软件，它也是一个数据格式，plink里面有很多非常强大的功能，运算速度很快，是我日常分析中常用的软件之一。(这里软件使用的版本为plink 1.9)
这里，我将plink软件分为三部分：
- 格式转换
- 常用质控
- 文件提取
1.格式转换
第一种常用的格式：plink格式
- 正常格式
map和ped：比如a.ped，a.map。 - 二进制文件
bim，bed，fam：比如a.bed, a.bim, a.fam。 - 第二种常用的格式：
vcf格式。 - 第三种常用的格式：
hapmap格式。
1.1 plink正常格式转二进制格式
比如这里有plink格式的文件，前缀为a的plink文件：
$ ls
a.map a.ped
将其转化为二进制文件：b.bed, b.bim, b.fam
plink --file a --out b
结果
$ ls b*
b.bed b.bim b.fam b.log
注意：如果染色体超过23，比如30对染色体，需要设定--chr-set 30
如果有非数字染色体，比如性染色体，需要设定--allow-extra-chr
常用的动物都有对应的参数，直接设定相关动物就行，比如牛的--cow，下面是其它动植物的。
如果没有对应的物种，直接设置染色体的条数以及允许非数字染色体即可。
--cow
--dog
--horse
--mouse·
--rice
--sheep
1.2 plink二进制格式转为正常格式（map和ped）
这里有plink格式的文件，前缀为b的plink二进制文件：
$ ls b*
b.bed b.bim b.fam b.log
将其转化文件：c.map, c.ped
plink --bfile b --recode --out c
注意：
- –bfile，因为输入文件b*为二进制，所以用–bfile，如果是一般格式，用–file即可
- –recode，要输出正常格式，所以用–recode指定，如果不加这个参数，默认是输出二进制文件
- –out，输出文件的前缀
结果：
$ ls *c*
c.hh c.log c.map c.ped
1.3 正常plink文件转为vcf文件
这里有plink格式的文件，前缀为c的plink二进制文件：
$ ls *c*
c.hh c.log c.map c.ped
将其转化文件：d.vcf
plink --file c --recode vcf --out d
注意：
- –file，用–file指定正常plink格式的文件
- –recode vcf，要输出vcf文件格式
- –out，输出文件的前缀
1.4 二进制plink文件转为vcf文件
和正常plink文件类似，除了--file 变为--bfile即可。
现有文件：
$ ls b*
b.bed b.bim b.fam b.log
将二进制文件转化为vcf文件：
plink --bfile b --recode vcf --out e
1.5 vcf文件转化为plink文件
转化为正常plink文件：
现有文件：
$ ls e.vcf
e.vcf
plink --vcf e.vcf --recode --out f
注意：
- –vcf 需要文件名完整，不能只写前缀，所以这里要写--vcf e.vcf
- –recode 保存plink文件
保存为二进制文件：
plink --vcf e.vcf --out g
$ ls g*
g.bed g.bim g.fam g.log
2.常用质控
2.1 SNP缺失质控
无论是测序还是芯片，得到的基因型数据要进行质控，而对缺失数据进行筛选，可以去掉低质量的数据。如果一个个体，共有50万SNP数据，发现20%的SNP数据（10万）都缺失，那这个个体我们认为质量不合格，如果加入分析中可能会对结果产生负面的影响，所以我们可以把它删除。同样的道理，如果某个SNP，在500个样本中，缺失率为20%（即该SNP在100个个体中都没有分型结果），我们也可以认为该SNP质量较差，将去删除。当然，这里的20%是过滤标准，可以改变质控标准。
现有文件：
$ ls a*
a.map a.ped
某个SNP在样本中缺失大于10%，删除该SNP：--geno
plink --file a --geno 0.1 --recode --out re
某个在某个样本中，SNP缺失大于10%，删除该样本：--mind
plink --file a --mind 0.1 --recode --out re
2.2 最小等位基因频率过滤
最小等位基因频率怎么计算？比如一个位点有AA或者AT或者TT，那么就可以计算A的基因频率和T的基因频率，qA + qT = 1，这里谁比较小，谁就是最小等位基因频率，比如qA = 0.3, qT = 0.7， 那么这个位点的MAF为0.3. 之所以用这个过滤标准，是因为MAF如果非常小，比如低于0.02，那么意味着大部分位点都是相同的基因型，这些位点贡献的信息非常少，增加假阳性。更有甚者MAF为0，那就是所有位点只有一种基因型，这些位点没有贡献信息，放在计算中增加计算量，没有意义，所以要根据MAF进行过滤。
现有文件：
$ ls a*
a.map a.ped
某个SNP在的MAF小于0.01，那么该SNP删掉：--maf 0.01
plink --file a --maf 0.01 --recode --out re
2.3 哈温平衡过滤
「卡方适合性检验！」 ，一个群体是否符合这种状况，即达到了遗传平衡，也就是一对等位基因的3种基因型的比例分布符合公式：p2+2pq+q2=1,p+q=1,(p+q)2=1.基因型MM的频率为p2,NN的频率为q2,MN的频率为2pq。MN:MN：NN＝P2：2pq：q2。MN这对基因在群体中达此状态，就是达到了遗传平衡。如果没有达到这个状态，就是一个遗传不平衡的群体。但随着群体中的随机交配，将会保持这个基因频率和基因型分布比例，而较易达到遗传平衡状态。应用Hardy-Weinberg遗传平衡吻合度检验方法，把计算得到的基因频率代入，计算基因型平衡频率，再乘以总人数，求得预期值（e）。把观察数（O）与预期值（e）作比较，进行χ2检验。病例组和对照组的基因型分布的观察值和预期值差异无显著性（P>0.05），符合遗传平衡定律.
现有文件：
$ ls a*
a.map a.ped
某个SNP在哈温平衡检验中p值小于1e-5，那么该SNP删掉：--maf 0.01
plink --file a --hwe 1e-5 --recode --out re
1. 文件提取
文件提取，可以提取plink个数中的样本信息，也可以提取特定的SNP位点信息。
3.1 样本提取--keep和-- remove
–keep， 提取样本ID
–remove，删除样本ID
提取样本文件的格式：
- 第一列：FID，家系ID
- 第二列：IID，个体ID
1328 NA06989
1377 NA11891
1349 NA11843
1330 NA12341
1344 NA10850
1328 NA06984
1463 NA12877
1418 NA12275
13291 NA06986
1418 NA12272
样本提取
plink --file a --keep id_sample.txt --recode --out re
$ wc -l re*
2 re.hh
32 re.log
1431211 re.map
10 re.ped
样本删除
plink --file a --remove id_sample.txt --recode --out re
3.2 SNP提取--extract和-- exclude
- –extract， 提取SNP ID
- –exclude，删除SNP ID
提取样本文件的格式：
一列：SNP名称ID
rs2185539
rs11240767
rs3131972
rs3131969
rs1048488
rs12562034
rs12124819
rs4040617
rs2905036
rs4245756
SNP提取
plink --file a --extract id_snp.txt --recode --out re
完成。
$ wc -l re*
179 re.hh
30 re.log
10 re.map
164 re.ped
可以看到，map共10行，共提取10个SNP
SNP删除
plink --file a --exclude id_snp.txt --recode --out re
SNP合并
一、合并文件
plink合并文件需要用到merge参数
如果是ped和map格式文件，则用以下命令：
plink --file data1 --merge data2.ped data2.map --recode --out merge
如果是二进制文件和ped,map格式文件，则用以下命令：
plink --bfile data1 --merge data2.ped data2.map --make-bed --out merge
如果都是二进制文件，则用以下命令：
plink --bfile data1 --bmerge data2.bed data2.bim data2.fam --make-bed --out merge
如果是合并多个文件，则用以下命令：
/plink-1.07-x86_64/plink --noweb --bfile file --merge-list batch.txt --make-bed --out batch
batch.txt的文件格式如下：
file1.bed file1.bim file1.fam
file2.bed file2.bim file2.fam
更新SNP位置
假设更新 rs10002到位置580000，如下所示：
原始文件：
...
rs10001 500000
rs10002 580000
rs10003 540000
rs10004 560000
...
新的文件：
...
rs10001 500000
rs10003 540000
rs10004 560000
rs10002 580000
...
更新SNP位置可以采用plink的--update-name和--update-chr参数
具体命令如下：
./plink --bfile mydata --update-map rsID.lst --update-name --make-bed --out mydata2
或者
./plink --bfile mydata --update-map chr-codes.txt --update-chr --make-bed --out mydata2
rsID.lst的输入格式如下：
SNP_A-1919191 rs123456
SNP_A-64646464 rs222222
...
chr-codes.txt的输入格式如下：
rs123456 1
rs987654 18
rs678678 X
..
后续出现的小问题
plink合并不了，有两个方面的问题
- map文件问题
- ped文件问题
1.map文件要统一，包括pos名称，统一修改，建议采用·plink提取的方法，方法见前面。
2.ped第六列要一致，至于怎么一致有两种方法。第一正则表达式，具体方法参考正则表达式章节。
第二种方法，先将plink文件转换为vcf格式，方法见前面。然后将vcf转为plink，此时转换语句为
plink --vcf input.vcf --recode --out output --const-fid family_id
通过--const-fid将family id设置成一个常量，默认值是0.这样我们得到的文件就可以合并了。