plink軟件是GWAS分析中常用的軟件，它也是一個數(shù)據(jù)格式，plink里面有很多非常強大的功能，運算速度很快，是我日常分析中常用的軟件之一。

之前寫了一系列的GWAS教程，點擊這里查看，這里繼續(xù)進行。看到我的學習筆記幫助了一些同學，我也由衷的感到高興。

這里，我將plink軟件分為三部分：

• 格式轉(zhuǎn)換
• 常用質(zhì)控
• 文件提取

1. 格式轉(zhuǎn)換

「第一種常用的格式：plink格式」

• 正常格式map和ped：比如a.ped，a.map
• 二進制文件bim，bed，fam：比如a.bed, a.bim, a.fam

「第二種常用的格式：vcf格式」

「第三種常用的格式：hapmap格式」

1.1 plink正常格式轉(zhuǎn)二進制格式

比如這里有plink格式的文件，前綴為a的plink文件：

將其轉(zhuǎn)化為二進制文件：b.bed, b.bim, b.fam

結(jié)果：

「注意：」

• 如果染色體超過23，比如30對染色體，需要設(shè)定--chr-set 30
• 如果有非數(shù)字染色體，比如性染色體，需要設(shè)定--allow-extra-chr
• 常用的動物都有對應的參數(shù)，直接設(shè)定相關(guān)動物就行，比如牛的--cow，下面是其它動植物的。如果沒有對應的物種，直接設(shè)置染色體的條數(shù)以及允許非數(shù)字染色體即可。

1.2 plink二進制格式轉(zhuǎn)為正常格式（map和ped）

這里有plink格式的文件，前綴為b的plink二進制文件：

將其轉(zhuǎn)化文件：c.map, c.ped

「注意：」

• --bfile，因為輸入文件b*為二進制，所以用--bfile，如果是一般格式，用--file即可
• --recode，要輸出正常格式，所以用--recode指定，如果不加這個參數(shù)，默認是輸出二進制文件
• --out，輸出文件的前綴

結(jié)果：

1.3 正常plink文件轉(zhuǎn)為vcf文件

這里有plink格式的文件，前綴為c的plink二進制文件：

將其轉(zhuǎn)化文件：d.vcf

「注意：」

• --file，用--file指定正常plink格式的文件
• --recode vcf，要輸出vcf文件格式
• --out，輸出文件的前綴

文件預覽：

1.4 二進制plink文件轉(zhuǎn)為vcf文件

和正常plink文件類似，除了--file 變?yōu)?code style="overflow-wrap: break-word;margin-right: 2px;margin-left: 2px;font-family: "Operator Mono", Consolas, Monaco, Menlo, monospace;word-break: break-all;color: rgb(53, 148, 247);background: rgba(59, 170, 250, 0.1);padding-right: 2px;padding-left: 2px;border-radius: 2px;height: 21px;line-height: 22px;">--bfile即可。

現(xiàn)有文件：

將二進制文件轉(zhuǎn)化為vcf文件：

結(jié)果預覽：

1.5 vcf文件轉(zhuǎn)化為plink文件

「轉(zhuǎn)化為正常plink文件：」

現(xiàn)有文件：

「注意：」

• --vcf 需要文件名完整，不能只寫前綴，所以這里要寫--vcf e.vcf
• --recode 保存plink文件

保存為二進制文件：

結(jié)果：

2. 常用質(zhì)控

2.1 SNP缺失質(zhì)控

?

無論是測序還是芯片，得到的基因型數(shù)據(jù)要進行質(zhì)控，而對缺失數(shù)據(jù)進行篩選，可以去掉低質(zhì)量的數(shù)據(jù)。如果一個個體，共有50萬SNP數(shù)據(jù)，發(fā)現(xiàn)20%的SNP數(shù)據(jù)（10萬）都缺失，那這個個體我們認為質(zhì)量不合格，如果加入分析中可能會對結(jié)果產(chǎn)生負面的影響，所以我們可以把它刪除。同樣的道理，如果某個SNP，在500個樣本中，缺失率為20%（即該SNP在100個個體中都沒有分型結(jié)果），我們也可以認為該SNP質(zhì)量較差，將去刪除。當然，這里的20%是過濾標準，可以改變質(zhì)控標準。

?

現(xiàn)有文件：

「某個SNP在樣本中缺失大于10%，刪除該SNP：--geno」

「某個在某個樣本中，SNP缺失大于10%，刪除該樣本：--mind」

2.2 最小等位基因頻率過濾

?

最小等位基因頻率怎么計算？比如一個位點有AA或者AT或者TT，那么就可以計算A的基因頻率和T的基因頻率，qA + qT = 1，這里誰比較小，誰就是最小等位基因頻率，比如qA = 0.3, qT = 0.7， 那么這個位點的MAF為0.3. 之所以用這個過濾標準，是因為MAF如果非常小，比如低于0.02，那么意味著大部分位點都是相同的基因型，這些位點貢獻的信息非常少，增加假陽性。更有甚者MAF為0，那就是所有位點只有一種基因型，這些位點沒有貢獻信息，放在計算中增加計算量，沒有意義，所以要根據(jù)MAF進行過濾。

?

現(xiàn)有文件：

「某個SNP在的MAF小于0.01，那么該SNP刪掉：--maf 0.01」

2.3 哈溫平衡過濾

?

「卡方適合性檢驗！」 ，一個群體是否符合這種狀況，即達到了遺傳平衡，也就是一對等位基因的3種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的頻率為p2,NN的頻率為q2,MN的頻率為2pq。MN:MN：NN＝P2：2pq：q2。MN這對基因在群體中達此狀態(tài)，就是達到了遺傳平衡。如果沒有達到這個狀態(tài)，就是一個遺傳不平衡的群體。但隨著群體中的隨機交配，將會保持這個基因頻率和基因型分布比例，而較易達到遺傳平衡狀態(tài)。應用Hardy-Weinberg遺傳平衡吻合度檢驗方法，把計算得到的基因頻率代入，計算基因型平衡頻率，再乘以總?cè)藬?shù)，求得預期值（e）。把觀察數(shù)（O）與預期值（e）作比較，進行χ2檢驗。病例組和對照組的基因型分布的觀察值和預期值差異無顯著性（P>0.05），符合遺傳平衡定律. 現(xiàn)有文件：

?

「某個SNP在哈溫平衡檢驗中p值小于1e-5，那么該SNP刪掉：--hwe 1e-5」

3. 文件提取

文件提取，可以提取plink個數(shù)中的樣本信息，也可以提取特定的SNP位點信息。

3.1 樣本提取--keep和--remove

• --keep， 提取樣本ID
• --remove，刪除樣本ID

「提取樣本文件的格式：」

• 第一列：FID，家系ID
• 第二列：IID，個體ID

「樣本提取」

完成。

「樣本刪除」

完成。

3.2 SNP提取--extract和--exclude

• --extract， 提取SNP ID
• --exclude，刪除SNP ID

「提取樣本文件的格式：」

• 一列：SNP名稱ID

「SNP提取」

完成。

可以看到，map共10行，共提取10個SNP

「SNP刪除」

完成。