使用bedtools进行gwas基因注释
大家好,我是邓飞。
GWAS分析中,找到显著性SNP,需要注释,才能找到候选的基因。
什么是注释呢?
我们知道,GWAS的依据是snp与控制性状的基因处于LD状态,所以,我们才能推断显著性的SNP附近的基因是影响性状的候选基因。那么这个附近如何确定呢?
- 最简单的方法,只看基因上的SNP显著位点,这个准确性是最高的,我们知道SNP有染色体和物理位置,而注释基因gff文件,也有基因的染色体和物理位置区间,我们就可以通过查看得到显著SNP所在的基因。当然,这种方法得到的候选基因最少,因为本来显著的SNP就比较少,而处在基因上的就更少了。这种方法也没有必要,因为显著SNP往往处于Block,强连锁,所以显著SNP附近的基因都有可能是候选基因。
- 最直接的方法,把显著性的SNP,取LD的半衰期比如50kb,选择上下游50kb作为候选区间,然后和gff文件比对,处在这个区间内的基因,都是候选基因。这种方法,操作简单,但是不是每个染色体每个区段的LD都是50kb,因为我们算的是真个基因组的平均半衰期。
- 最准确的方法,根据每个显著SNP,计算他附近的LD值,选择一定的值把所有相关的SNP都找到,作为其上下游区间,比如下图把基因处于LDblock的snp都提取出来,和gff文件合并。但是这种方法过于复杂。
一般操作中,我们使用最直接的方法,比如选择上下游50k的作为区间。
这里介绍bedtools,他有个强大的功能,merge和intersect,把区间合并,然后和gff计算交集。下面介绍一下用法:
1. bedtools软件介绍
软件github地址:https://github.com/arq5x/bedtools2/
比较好的介绍文档:https://www.jieandze1314.com/post/cnposts/151/
总的来说,bedtools实用工具是一把瑞士军刀,用于广泛的基因组学分析任务。最广泛使用的工具支持基因组算法:即基因组集合论。例如,bedtools允许人们以广泛使用的基因组文件格式(如BAM、BED、GFF/GTF、VCF)从多个文件中交叉、合并、计数、补充和混洗基因组间隔。
虽然每个单独的工具都设计用于执行相对简单的任务(例如,交叉两个间隔文件),但通过在UNIX命令行上组合多个bedtools操作,可以进行相当复杂的分析。
2. bedtools软件安装
软件下载最新版:https://github.com/arq5x/bedtools2/releases/tag/v2.30.0
wget https://github.com/arq5x/bedtools2/releases/download/v2.30.0/bedtools-2.30.0.tar.gz
文件:
bedtools-2.30.0.tar.gz
解压,进入文件夹,安装:
tar zxvf bedtools-2.30.0.tar.gz
cd bedtools2
make
将bin文件夹的内容,copy到~/bin一份。这样可以直接调用了。
测试安装成功:
$ bedtools
bedtools is a powerful toolset for genome arithmetic.Version: v2.30.0
About: developed in the quinlanlab.org and by many contributors worldwide.
Docs: http://bedtools.readthedocs.io/
Code: https://github.com/arq5x/bedtools2
Mail: https://groups.google.com/forum/#!forum/bedtools-discussUsage: bedtools <subcommand> [options]
3. 交集常用方法
这里,我们构建一个A.ped和B.ped。注意,分隔符为tab键。数据为三列:染色体,起始位置,终止位置。摸你的数据,和上图的结构一致。
A.ped文件:
$ cat A.ped
chr1 10 20
chr1 30 40
chr1 80 90
B.ped文件:
$ cat B.ped
chr1 1 14
chr1 17 19
chr1 45 82
chr1 88 93
3.1 默认交集
命令:
bedtools intersect -a A.ped -b B.ped
- intersect,是交集
- -a,第一个ped文件
- -b,第二个ped文件
结果如下:
- 第一个重复区段是10~14
- 第二个重复区间是17~19
- 第三个重复区间是80~82
- 第四个重复区间是88~90
$ bedtools intersect -a A.ped -b B.ped
chr1 10 14
chr1 17 19
chr1 80 82
chr1 88 90
3.2 计算A中有B有交叉的区间
结果输出时,加上参数-wa
,返回的是A中的结果:
包含着染色体位置的两个文件,分别记为A文件和B文件。求A文件中哪些染色体位置是与文件B中的染色体位置有overlap.
$ bedtools intersect -a A.ped -b B.ped -wa
chr1 10 20
chr1 10 20
chr1 80 90
chr1 80 90
3.3 计算B中有A有交叉的区间
包含着染色体位置的两个文件,分别记为A文件和B文件。求A文件中染色体位置与文件B中染色体位置的交集,以及对应的文件B中的染色体位置.
结果输出时,加上参数-wb
,返回B的结果:
$ bedtools intersect -a A.ped -b B.ped -wb
chr1 10 14 chr1 1 14
chr1 17 19 chr1 17 19
chr1 80 82 chr1 45 82
chr1 88 90 chr1 88 93
3.4 交集中,有的话返回B,没有返回占位符
包含着染色体位置的两个文件,分别记为A文件和B文件。求对于A文件的染色体位置是否与文件B中的染色体位置有交集。如果有交集,分别输入A文件的染色体位置和B文件的染色体位置;如果没有交集,输入A文件的染色体位置并以’. -1 -1’补齐文件。
$ bedtools intersect -a A.ped -b B.ped -loj
chr1 10 20 chr1 1 14
chr1 10 20 chr1 17 19
chr1 30 40 . -1 -1
chr1 80 90 chr1 45 82
chr1 80 90 chr1 88 93
3.5 高阶用法1
包含着染色体位置的两个文件,分别记为A文件和B文件。对于A文件中染色体位置,如果和B文件中染色体位置有overlap,则输出在A文件中染色体位置和在B文件中染色体位置,以及overlap的长度.
$ bedtools intersect -a A.ped -b B.ped -wo
chr1 10 20 chr1 1 14 4
chr1 10 20 chr1 17 19 2
chr1 80 90 chr1 45 82 2
chr1 80 90 chr1 88 93 2
3.6 高阶用法2
包含着染色体位置的两个文件,分别记为A文件和B文件。对于A文件中染色体位置,如果和B文件中染色体位置有overlap,则输出在A文件中染色体位置和在B文件中染色体位置,以及overlap的长度;如果和B文件中染色体位置都没有overlap,则用’. -1-1’补齐文件
$ bedtools intersect -a A.ped -b B.ped -wao
chr1 10 20 chr1 1 14 4
chr1 10 20 chr1 17 19 2
chr1 30 40 . -1 -1 0
chr1 80 90 chr1 45 82 2
chr1 80 90 chr1 88 93 2
3.7 高阶用法3
包含着染色体位置的两个文件,分别记为A文件和B文件。对于A文件中染色体位置,输出在A文件中染色体位置和有多少B文件染色体位置与之有overlap.
$ bedtools intersect -a A.ped -b B.ped -c
chr1 10 20 2
chr1 30 40 0
chr1 80 90 2
3.8 高阶用法4
包含着染色体位置的两个文件,分别记为A文件和B文件。对于A文件中染色体位置,输出在A文件中染色体位置和与B文件染色体位置至少有X%的overlap的记录。
$ bedtools intersect -a A.ped -b B.ped -wa -wb -f 0.1
chr1 10 20 chr1 1 14
chr1 10 20 chr1 17 19
chr1 80 90 chr1 45 82
chr1 80 90 chr1 88 93
4. 显著snp上下游确定
参考:https://www.jianshu.com/p/905bf1f3a798
第一种:每个显著性位点,上下加100kb,为注释区间。
直接当测序密度较低时,基因组的覆盖度不够,得到的标记数据过少,标记之间的距离太大,无法构成LD block,这时可以分析师主观设定一个距离,如100k或更大,需要根据区间内基因的数目进行调整。当时这种方法的结果应该是最粗糙的。
第二种:每个显著性位点,上下加LD衰减一般的距离为注释区间
比如LD衰减图是50kb,那就上下加50kb
第三种:根据显著位点附件的LD decay
将大于0.6的block作为候选区间。
为了操作方便,我们使用LD衰减一般的距离为上下区间。
这里编写一个脚本,自动添加上下游确定区间。生成三列的数据:染色体,开始区间,结束区间
$ head snp_re_qujian_sort.txt
1 44459430 44461430
1 44459431 44461431
1 114533676 114535676
1 114570742 114572742
1 114574836 114576836
1 114575784 114577784
1 114583582 114585582
1 115319771 115321771
3 2266311 2268311
3 2433000 2435000
5. 将区间去重合并
bedtools merge -i snp_re_qujian_sort.txt >snp_qujian.bed
$ head snp_qujian.bed
1 44459430 44461431
1 114533676 114535676
1 114570742 114572742
1 114574836 114577784
1 114583582 114585582
1 115319771 115321771
3 2266311 2268311
3 2433000 2435000
3 2457627 2459627
3 2460582 2462582
6. 将下载的gff3,进行排序,然后与显著性区间进行合并
bedtools sort -chrThenSizeA -i aa.gff3.gz >t2.gff3
bedtools intersect -a t2.gff3 -b snp_qujian.bed -wa >re1.txt
这个re1.txt文件,即是注释的区间,可以从中挑选基因信息和其它信息。
使用bedtools进行gwas基因注释相关推荐
- 根据gtf格式的基因注释文件得到人所有基因的染色体坐标
用bedtools对基因组片段区域进行基因注释 根据gtf格式的基因注释文件得到人所有基因的染色体坐标 选择的genecode内最早的Grch38版本(201408) v20是最早的hg38版本对应的 ...
- linux基因组文件,转录组入门(四):了解参考基因组及基因注释
转录组入门(4):了解参考基因组及基因注释 任务列表 1.在UCSC下载hg19参考基因组: 2.从gencode数据库下载基因注释文件,并且用IGV去查看感兴趣的基因的结构,比如TP53,KRAS, ...
- Prokka:快速原核基因组、宏基因组基因注释
文章目录 Prokka:快速原核基因组注释 热心肠日报 摘要 1 简介 2 描述 2.1 输入 2.2 注释 表1 Prokka使用的功能预测工具 2.3 输出 表2. 输出结果介绍 3 结果 表3. ...
- 宏基因组实战4. 基因注释Prokka
前情提要 如果您在学习本教程中存在困难,可能因为缺少背景知识,建议先阅读本系统前期文章 宏基因组分析理论教程 微生物组入门圣经+宏基因组分析实操课程 1背景知识-Shell入门与本地blast实战 2 ...
- NGS基础 - 参考基因组和基因注释文件
参考基因组和基因注释文件获取 通常测序生成的reads要与参考基因组或参考转录组进行比对,或Pseudo-alignment.所以首先需要获取参考基因组和参考转录组信息. Ensembl(http:/ ...
- linux基因组文件,科学网-NGS基础 - 参考基因组和基因注释文件-陈同的博文
NGS基础 - 参考基因组和基因注释文件 同步滚动:关 参考基因组和基因注释文件获取 通常测序生成的reads要与参考基因组或参考转录组进行比对,或Pseudo-alignment.所以首先需要获取参 ...
- 第七章 基因注释与功能分类
文章目录 i. 基因与基因组功能注释 a. 基因功能的定义 i. 分子功能(生化功能/分子活性) ii. 生物学功能(所有的细胞过程都要求蛋白质有条不紊地按一定程序来执行它们的功能) iii. 细胞组 ...
- 精选推文 | 基于三代转录组的基因注释踩坑经历以及GSAman使用
邀请并收到一位「GSAman」用户的稿件,非常详尽且实在.相信这份推文可以为一些做功能基因组方面工作的朋友,提供实用参考. – CJ-陈程杰 前言 随着测序技术的进步和普及,现如今已经步入到" ...
- GEO2R数据下载速度慢、基因注释、差异分析、火山图、热图及后续处理
GEO2R数据分析 首先感谢生信技能树大神jmzeng1314提供的github包,由于我这边访问github比较困难,因此我已经导入到我的 gitee 托管平台 https://gitee.com/ ...
最新文章
- 给你的博客添加个看电影的频道
- YOLOv3最全复现代码合集(含PyTorch/TensorFlow和Keras等)
- 今天的解放过后的蜡笔小新
- DataCapa 启动
- 牛客题霸-SQL篇——10~20题
- 线程/进程同步操作的监视器:管程
- 保研面试 算法题_面试挂在了一道 LRU 缓存算法设计题
- 问题六十八:着色模型(shading model)(2)——光照模型(Light model)
- webtrends 分析
- 破防了,原来这才是机房运维的正确方法
- natapp使用教程
- 基于KDJ指标的Dual Thrust策略
- 利用intellij idea工具如何反编译.jar
- .Net 文件名后缀的各种文件用处解释
- 搜狗站长html标签验证,悦然建站分享:搜狗站长平台使用教程之添加网站
- 苹果vs剪辑下载_好用的短视频制作与剪辑APP工具盘点
- 操作:FTP服务器的搭建
- 怎么给Mongodb设置账号密码(跳坑版)
- 吴思里:PCG腾讯文档前端面试经历
- Google地球(GPS)坐标之地图坐标偏移