在合并数据过程当中，经常会发现不同来源的数据正负链不是统一的，这是一件很头疼的事。
正负链没有统一的情况下直接合并在一起会产生什么后果呢。
举个最简单的例子，假如我们从小明和小红分别拿到了一批基因型数据。那么存在以下几种可能：1）小明的基因型数据统一好正链或者负链；2）小红的基因型数据统一好正链或者负链；3）小明和小红都不知道他们的数据有没有统一好，反正数据拿给你了，你自己解决。
在我们不知道这两人的基因型数据正负链是否统一的情况下，如果直接合并这两个不同来源的数据，会产生什么情况呢？
对于大多数突变位点，通过数据处理，再合并是没有问题的。比如A/G,A/C,T/G,T/C。
如果好巧不巧，存在A/T,C/G这种突变，那么结果会是什么样呢。
结果就是对于同一个个体，他在小明的数据库显示的碱基是A，在小红的数据库显示的是T。这就是正负链惹的祸。
正链的小明：A
负链的小红：T
如果从个体角度还不能理解，我再从群体的角度去说明这个问题。
假定小明和小红的数据都是东亚人，那么理论上同一个突变位点的频率是接近的。存在正负链混淆的情况下，可能的结果就是小明数据的A频率是0.4，小红的A频率是0.6，问题是，小明的A是小红的T，非A，把他们直接合并的话，A和T就混在一起了
所以不同来源的基因型数据直接合并数据，是不对的。
那么，我们有什么方法解决这个问题呢？
下面我来推一个工具snpflip。
这个工具很简单，算起来非常快。分析完成后，会生成三个文件：annotated_bim、ambiguous、reverse
第一个文件是annotated_bim，这个文件是总体评估你丢进去的SNP位点是正链、负链、还是无法区分正负链（最后一列）。
chromosome 0_idx_position snp_name genetic_distance allele_1 allele_2 reference reference_re strand
1 0 snp1 0 A C A T forward
1 1 snp2 0 A T C G ambiguous
1 2 snp3 0 A G T A reverse
2 0 snp4 0 A G C G reverse
2 1 esv5 0 AA G C G reverse
25 1 snp7 0 A G ambiguous
X 1 inv1 0 A G N N ambiguous
Y 0 snp6 0 A G A T forward
第二个文件是ambiguous,这个文件是汇总所有无法分清正负链的位点；
snp2
snp7
inv1
最后一个文件是reverse,这个文件是汇总所有负链的位点；
snp3
snp4
esv5
网友评论