Question

我下载了1000个基因组数据（染色体1 -22），这是VCF格式。如何将所有染色体组合在一个文件中？我应该首先将所有染色体转换为plink二进制文件，然后执行--bmerge mmerge-list吗？或者还有其他方法来组合它们吗？有什么建议吗？

Answer 1

picard GatherVcfs https://broadinstitute.github.io/picard/command-line-overview.html

将分散操作中的多个VCF文件收集到单个VCF文件中。输入文件必须以基因组顺序提供，并且不得在重叠位置处具有事件。

Answer 2

您可以按照建议使用PLINK。您还可以使用 BCFtools ：

https://samtools.github.io/bcftools/bcftools.html

具体来说，concat命令：

bcftools concat ALL.chr{1..22}.phase3_shapeit2_mvncall_integrated_v5a.20130502.genotypes.vcf.gz -Oz -o  ALL.autosomes.phase3_shapeit2_mvncall_integrated_v5a.20130502.genotypes.vcf.gz

如果您使用PLINK，您可能会遇到1000个基因组的问题，因为它包含多个等位基因SNP，这与PLINK不兼容。此外，还有一些SNP具有相同的RS标识符，这也与PLINK不兼容。

您需要解决这些问题，以便通过将多等位基因SNP分成多个记录并删除具有重复RS标识符的记录（或创建新的唯一标识符）来使PLINK工作。

此外，PLINK二进制PED不支持基因型概率。我不记得1000个基因组是否包含此类信息。如果确实如此并且您想要保留它，则无法将其转换为二进制PED，因为基因型概率将很难调用，请参阅：

https://www.cog-genomics.org/plink2/input

具体做法是：

由于PLINK 1二进制格式不能代表基因型概率，不确定性大于0.1的呼叫通常是被视为失踪，其余被视为硬通话。

因此，如果您打算保留输出的VCF格式，我建议不要使用PLINK。

修改

以下是将VCF转换为PLINK的方法：

要从VCF文件构建PLINK兼容文件，需要合并或删除重复位置和SNP ID。在这里，我选择删除所有重复的条目。目录重复SNP id：

grep -v '^#' <(zcat ALL.chr${chrom}.phase3_shapeit2_mvncall_integrated_v5a.20130502.genotypes.vcf.gz) | cut -f 3 | sort | uniq -d > ${chrom}.dups

使用BCFTools，拆分多等位基因SNP，并使用plink删除上一步中发现的重复SNP id：

bcftools norm -d both -m +any -Ob ALL.chr${chrom}.phase3_shapeit2_mvncall_integrated_v5a.20130502.genotypes.vcf.gz | plink --bcf /dev/stdin --make-bed --out ${chrom} --allow-extra-chr 0 --memory 6000 --exclude ${chrom}.dups

重要的是，这不是解决将VCF转换为PLINK问题的唯一方法。例如，您可以唯一地将标识符分配给重复的RS id。

如何将所有染色体组合在一个文件中

2 个答案: