GWAS（全基因組關(guān)聯(lián)研究，Genome-Wide Association Study）是一種通過掃描全基因組范圍內(nèi)的遺傳變異（如單核苷酸多態(tài)性，SNP），尋找與特定性狀或疾病顯著關(guān)聯(lián)的基因位點(diǎn)的方法。

在進(jìn)行GWAS分析之前，需要選擇合適的群體，進(jìn)行數(shù)據(jù)收集。實(shí)際工作中發(fā)現(xiàn)有些客戶根本不知道GWAS分析需要什么數(shù)據(jù)，耽誤分析進(jìn)度，那需要收集哪些數(shù)據(jù)呢？主要需要兩個(gè)數(shù)據(jù)：表型數(shù)據(jù)和基因型數(shù)據(jù)。

01 表型數(shù)據(jù) 

談起表型數(shù)據(jù)，我們先來了解下GWAS的表型性狀。GWAS中的表型性狀可以分為以下三類：
① 數(shù)量性狀（Quantitative Traits）：是指可以用數(shù)字值來描述的性狀。比如身高（cm）/體重（kg）/籽粒數(shù)（個(gè)）/產(chǎn)量（kg/畝），分析時(shí)表型直接使用具體數(shù)值；
② 質(zhì)量性狀（Qualitative Traits）：與數(shù)量性狀相反，其無法用固定數(shù)值表示，而是表現(xiàn)出一種狀態(tài)。比如花色（紅、黃、白等）/果實(shí)形狀（圓、橢圓等）/疾病（有或無），表型可以用數(shù)值簡化表示；
③ 分級性狀（Ordinal Traits）：是介于質(zhì)量性狀和數(shù)量性狀之間的一類性狀，表現(xiàn)為有序的類別，但這些類別之間的差異不是連續(xù)的。比如病毒抵抗性水平（高、中、低）/籽粒顏色（淺黃、深黃、棕色等）/植株高度級別（高、中、低），這些性狀可以用數(shù)字值（1、2、3等）來描述。

那表型文件長啥樣呢？這里以常見疾病研究為例，文件一般包含3列：樣本（Sample）、性別（Sex）和表型（Phenotype）。

注意：性別用數(shù)值表示，0表示未知、1表示男、2表示女、-9表示缺失；表型也用數(shù)值表示，0表示未知、1表示對照組、2表示實(shí)驗(yàn)組、-9表示缺失。不要出現(xiàn)空缺值！

02 基因型數(shù)據(jù) 

基因型是指一個(gè)個(gè)體在某個(gè)特定基因位點(diǎn)上所擁有的等位基因的組合。每個(gè)基因位點(diǎn)可以有不同的等位基因，這些等位基因是由父母各自傳遞的一個(gè)單倍體組成。

那基因型數(shù)據(jù)從哪里獲取呢？通常有兩種方式可以獲取：
① 基于SNP芯片獲取基因型數(shù)據(jù)
② 基于基因組測序獲取基因型數(shù)據(jù)

這里我們以VCF文件為例，從”#CHROM”列開始就是變異數(shù)據(jù)：

注意：由于原始變異文件中有大量不可靠變異，建議使用過濾后的VCF文件（比如篩選PASS）進(jìn)行后續(xù)分析。

由于GWAS分析需要?jiǎng)虞m幾百上千例的數(shù)據(jù)，客戶很難湊齊那么多樣本，特別還要額外的正常樣本作為對照，對客戶而言又是一筆很大的支出！這個(gè)時(shí)候我們可以采用既有的正常人數(shù)據(jù)作為對照組，最典型的就是使用千人基因組計(jì)劃數(shù)據(jù)為對照。

現(xiàn)在表型數(shù)據(jù)和基因型數(shù)據(jù)都有了，該如何使用呢？由于整個(gè)關(guān)聯(lián)分析流程是基于PLINK軟件，那么就需要將基因型數(shù)據(jù)轉(zhuǎn)換為PLINK軟件能識別的格式，同時(shí)也利于提高數(shù)據(jù)處理效率。PLINK中有兩類數(shù)據(jù)格式，在分析過程都會用到：

1. ped/map格式

> ped格式文件：
包含每個(gè)樣本的基本信息（族系、名稱、性別等）、表現(xiàn)型信息（phenotype）、基因型信息（第7列之后）。每行表示一個(gè)樣本，該文件沒有表頭，具體列數(shù)取決于該樣本所含SNPs位點(diǎn)數(shù)。

第一列：Family ID，族系ID；
第二列：Individual ID，個(gè)體（如樣本間無族系聯(lián)系，F(xiàn)amily ID和Individual ID可以一樣）；
第三列：Paternal ID，父系ID，0表示未知，-1表示無父親/缺失；
第四列：Maternal ID，母系ID，0表示未知，-1表示無母親/缺失；
第五列：Sex，性別，1 男，2 女，0 或 其他值 表示未知；
第六列：Phenotype，表型值，根據(jù)研究類型定義；
后續(xù)列：從第七列開始，每兩列代表該樣本所含的一個(gè)SNP的基因型：如第七、八列代表第一個(gè)基因型（GG），第九、十列代表第二個(gè)基因型（GG）等等。

> map格式文件：
記錄每個(gè) SNP 的染色體位置和遺傳學(xué)信息。每行對應(yīng)一個(gè) SNP，該文件沒有表頭，每行包含四列。

第一列：染色體編號；
第二列：變異標(biāo)識符，這里是rs編號（有的話）或其他方式；
第三列：遺傳距離（摩爾根，單位cM），未知情況下寫0即可；
第四列（可選）：SNP在染色體上物理位置，跟第三列必有一列。

2. bed/bim/fam格式

> bed格式文件：
存儲基因型信息（二進(jìn)制），每行對應(yīng)一個(gè)樣本。由于是二進(jìn)制格式不能直接打開。

第一列：樣本的 ID（需與 .fam 文件中的 IID 一致）；
后續(xù)列：每兩列為一個(gè) SNP 的兩個(gè)等位基因（按順序排列，如 A/C 或 0/1）。其中0、1、2分別對應(yīng)了aa、Aa或aA和AA。

> bin格式文件：
存儲每個(gè) SNP 的元信息（染色體位置、遺傳學(xué)距離等）。每行對應(yīng)一個(gè)SNP。

第一列：Chr，染色體編號；
第二列：SNP，標(biāo)記名稱；
第三列：GD，遺傳距離（摩爾根），未知情況下寫0；
第四列：BPP，變異位點(diǎn)物理位置（單位：bp）；
第五列：Allele 1，一般情況下為次要等位基因；
第六列：Allele 2，一般情況下為主要等位基因。

> fam格式文件：
存儲樣本的家系關(guān)系和表型信息，每行對應(yīng)一個(gè)樣本。

第一列：FID，家系ID；
第二列：IID，個(gè)體ID；
第三列：父本個(gè)體ID，沒有用0表示，-1表示缺失；
第四列：母本個(gè)體ID，沒有用0表示，-1表示缺失；
第五列：SEX，性別，1表示男性，2表示女性，0表示未知；
第六列：Phenotype，表型值。

小結(jié)：fam文件就是ped文件前六列。此外這里可以通過手動添加補(bǔ)全表型、性別信息。

那怎么通過vcf格式數(shù)據(jù)得到ped/map格式和bed/bim/fam格式數(shù)據(jù)呢？直接上命令：
vcf轉(zhuǎn)ped/map格式：
plink --vcf test.vcf.gz --recode --out test
vcf轉(zhuǎn)bed/bim/fam格式：
plink --vcf test.vcf.gz --make-bed --out test
ped/map轉(zhuǎn)bed/bim/fam格式：
plink --file test --make-bed --out test
bed/bim/fam轉(zhuǎn)ped/map格式：
plink --bfile test --recode --out test

以上就是本期分享的內(nèi)容，下一期我們將講解如何對plink格式數(shù)據(jù)進(jìn)行質(zhì)控過濾。