关于为何要进行SNP的过滤：
第一，低质量和无信息的SNP会影响后续群体结构或GWAS的分析结果，甚至影响后续对生物学问题的解释；第二，群体研究时，由于测序的个体较多检测出来的变异位点经常会数以千万计，进一步过滤会减少后续分析时，对计算资源的需求。
indel邻近区域的SNP和10bp范围内的SNP cluster
这两个参数并非通用，为什么要考虑它们见图片中的描述
image
10bp范围内有3个以上的SNP，去除掉
#标出10bp范围3个SNP的 ”SnpCluster“
gatk VariantFiltration -V 324.wgs.call.SNP.Filter-SOR.ANN.vcfFliter.vcf -cluster 3 -window 10 -O 324.wgs.call.SNP.Filter-SOR.ANN.vcfFliter.10-3filter.vcf
#去除上一步标出的SnpCluster"
gatk SelectVariants -V 324.wgs.call.SNP.Filter-SOR.ANN.vcfFliter.10-3filter.vcf -O 324.wgs.call.SNP.Filter-SOR.ANN.vcfFliter.10-3filter-2.vcf -select "FILTER == SnpCluster" --invertSelect
去除indel附近5bp范围内的SNP
bcftools filter -g 5 -O v -o 1-SnpGap5.vcf ../324.wgs.PASS.ANN.vcf.gz
基因型的质量
除了考虑位点的质量之外，还要考虑每个个体在这个位点上的基因型，只保留基因型上GQ值大于20，大于5条reads覆盖的基因型，否则设为miss即 ./.
vcftools --vcf 324.wgs.call.SNP.Filter-SOR.ANN.vcfFliter.10-3filter-2.vcf --minDP 5 --minGQ 20 --recode --recode-INFO-all --out test-minDP5-minGQ20.vcf
其他常见的过滤参数主要有：
最小等位基因频率（Minor Allele frequencies）
MAF是次要等位基因频率。它是指群体中第二多的等位基因频率假设某一位点，检测到了A，T和C三种碱基，A出现20次，T出现10次，C出现5次，则第二多的T的等位基因频率为10/35
下图所示的是不同SNP之间AF的差异。总共有324个二倍体个体，共648个位点，有些变异碱基只出现了1次或2次。
image
缺失比例（missing rates）
假如缺失比例为0.05，总共100个个体的情况下，则该SNP在100*0.05=5个个体中丢失。
bi-allelic位点
为什么一般只保留bi-allelic SNP，要去除multi-allelic SNP？
bi-allelic位点是指基因组的某个位置上有两个allele，其中参考基因组在该位点上的碱基算作一个allele，样本在该位置上的变异算作一个allele。所以bi-allelic 位点即该位点只有一种变异。例如下图所示的位点7只有一种变异，样本1-3的deletion。
image
而下图所示的位点7则是一个multi-allelic位点，有参考基因组的G和样本2的C和样本3的T两种SNP。
image
质量（Quality）
在将样本的reads比对到参考基因组上后，比对到某个SNP的reads数量越多，则该SNP的Q值越大即越可信。
连锁不平衡（LD）
进行群体遗传结构分析时，如果位点之间有强连锁的关系则会影响分析的结果，因此需要过滤掉互相之间连锁不平衡的SNP。
作者：bettermaan
链接：http://events.jianshu.io/p/e249ef538ce3
来源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
网友评论