生信小工具：Plink之下载安装与其基本格式（1）

谈起Plink相信熟悉的人更定都会知道，这是一个全面的基因组分析工具集，具有很多的小功能，在SNP数据统计，过滤，GWAS分析中都可以用得上，而且速度非常的快，堪称是生物信息分析软件中神器之一。但是在网上逛了一圈发现，好像关于该工具的比较系统的中文教程暂时还找不到。那没办法了，只能自己来总结了。首先，咱们从简单入手先谈谈其下载安装和对应的基本格式。

Plink介绍

PLINK是一个免费的开源全基因组关联分析工具集，旨在以计算有效的方式执行一系列基本的大规模分析，由Shaun Purcell在马萨诸塞州综合医院（MGH）的人类基因研究中心（CHGR）和哈佛大学和麻省理工学院的Broad研究所共同开发的。它最初是为人类数据，但新的PLINK 1.9以上的版本也可用于非模式生物的基因组数据。

其功能非常强大，简单列举一下相对应的功能：

1. 数据管理： SNP数据格式的转换，合并两个或多个文件，提取SNP子集，以二进制文件格式压缩数据等。
2. 质量控制的SNP数据统计： 计算丢失基因型率，等位基因，基因型频率，HWE测试，个体和个体对的近亲繁殖，IBS和IBD统计，LD区域计算等。
3. GWAS关联分析
4. Meta分析

Plink下载与安装

PLink最新版是2.0，由于我个人觉得1.9比较稳定好用，下面教程分析都是基于1.9版本的。

Plink的下载安装非常方便，由于已经编码的版本是可以直接下载的，所以只要找到相应的系统的版本就可以进行下载了，下载链接地址为：http://www.cog-genomics.org/plink2/

Linux 64-bit下载地址：

http://s3.amazonaws.com/plink1-assets/plink_linux_x86_64_20190617.zip

苹果OS X 系统下载地址：

http://s3.amazonaws.com/plink1-assets/plink_mac_20190617.zip

Windows 64-bit 系统下载地址：

http://s3.amazonaws.com/plink1-assets/plink_win64_20190617.zip

下载完解压就能直接使用了：

Plink输入格式介绍

Plink常见格式包括：ped，map，bed，fam，bim
PLINK接受VCF文件作为输入，但在PLINK中使用的首选格式是带有结尾.ped（和.map）的文件，以及带有结尾.bed（+ .bim + .fam）的较小二进制PLINK文件。这样处理起来速度会更加快。一般我们call完SNP给出的文件都是vcf文件，这里需要使用vcftool或者Plink先进行格式的转换：

使用vcftools来转换：

#vcf转ped和map
vcftools --vcf my.vcf --plink --out plink

使用plink来转换：

# vcf转ped和map
plink --vcf file.vcf --recode --out file

ped格式文件

ped文件包含每列有一个等位基因的变体信息（意味着一个变体的两个等位基因需要2列）。

看看其中一个例子：

less -S data.noIND04.miss0.5.noMT.thin10.ped 

IND01 IND01 0 0 0 0 CC 0 0 
IND02 IND02 0 0 0 0 0 0 0 0 
IND03 IND03 0 0 0 0 0 0 AG 
IND05 IND05 0 0 0 0 CCAA 
AFR01 AFR01 0 0 0 0 CTAG 
AFR02 AFR02 0 0 0 0 CCAG 
AFR03 AFR03 0 0 0 0 0 0 AG 
AFR04 AFR04 0 0 0 0 0 0 0 
AFR05 AFR05 0 0 0 0 CCAG ...

每个样本有一行，前六列为：

1. 第一列： Family ID表示家族，同一个家族用同一个family ID表示
2. 第二列： Individual ID用来表示个体，family ID和Individual ID连起来唯一表示一个样本。
3. 第三列： Paternal ID表示父本ID（如果缺少该信息则为'0'）
4. 第四列： Maternal ID表示父本ID（如果缺少该信息则为'0'）
5. 第五列： 性别代码（'1'=男性，'2'=女性，'0'=未知）
6. 第六列： Phenotype（表型)，Plink会自己判断表型的类型，如果缺少该表型数据，可以使用-9/0/非数字来表示。
7. 第七列第八列： 分别为第一个变体，第二个变体等的等位基因。缺失的数据被编码为0（或-9）。
   对于上面的例子，由于都没有关于父本，母本，性别或表型的信息，因此这些列都设置为缺失数据（0或-9）。

map格式文件

map格式文件包含变体位置，用来记录每个maker（一般为SNP）的位置信息。每行一个maker。它有4列：

less data.noIND04.miss0.5.noMT.thin10.map 

scf7180003948298 scf7180003948298：263 0 263 
scf7180003948298 scf7180003948298：313 0 313 
scf7180003948298 scf7180003948298：1268 0 1268 

1. 第一列: 染色体名称
2. 第二列: SNP的表示符/ID
3. 第三列：基因摩尔根距离，不知道就写0
4. 第四列：marker在染色体上的坐标位置

常染色体应编码为1至22。以下其他染色体用于指定其他染色体类型。右边的数字代表PLINK对这些染色体的内部数字编码：这些将出现在所有输出而不是原始染色体编码中。

bed格式，fam格式和bim格式文件

map文件可以进一步转换成二进制文件（* .bed）。将家族信息，表型信息存储在单独的文件（* .fam）中并创建扩展的MAP文件（* .bim）（其中包含有关等位基因名称的信息，否则将丢失在BED文件中）

文件转化方法：

plink --file mydata --make-bed

bed格式

该格式的文件主要包含了基因型的双等位基因变异。必须附带.bim和.fam文件。用--bfile加载;可以使用--make-bed命令生成。注意的是该格式和我们平时接触含有基因组位置的bed格式文件不同。在基因型信息中，每一行是一个个体，每一列就是一个变异。其中0、1、2分别对应了aa、Aa或aA和AA。不考虑碱基型，因为我们不关注ATGC的变化。

fam格式

该格式文件是bed格式文件附属的基因型的样本信息文件，每一行就是一个样本。

bim格式

该格式文件是bed格式文件附属的基因型扩展信息的文件，每一行是一个变异，及其注释信息。

参考资料：

1. https://www.jianshu.com/p/1cb89afe8ac2
2. https://www.cnblogs.com/leezx/p/9013615.html