VCF转换PLINK格式的3种方法是什么

VCF转换PLINK格式的3种方法是什么，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。

plink是目前使用的最为广泛的关联分析软件，其定义的ped/map文件系统，及其对应的二进制bed/bim/fam已经成为关联分析的标准文件格式。在进行关联分析之前，我们首先要做的就是将其他格式的文件转换为plink对应的文件格式。

VCF格式作为存储分型结果的一种标准格式，在实际分析中也广泛应用。本文总结了将vcf文件转换为plink对应文件格式的3种方式，详细展示如下

1. gatk3

在gatk3中，提供了一个名为VariantsToBinaryPed的功能，可以将VCF格式转换为plink对应的二进制bed文件，基本用法如下

java -jar GenomeAnalysisTK.jar \
-T VariantsToBinaryPed \
-R reference.fasta \
-V input.vcf \
-m input.fam \
-bed output.bed \
-bim output.bim \
-fam output.fam

要求三个输入文件，-R参数指定参考基因组的fasta文件，-V参数指定VCF文件，-m参数称之为metadata, 保存了样本对应的家系信息，支持两种文件格式，第一种示意如下

对应ped文件的前六列内容，如果样本双亲信息不明确，则用unknown表示，简写成UNKN, 表型信息没有的话用-9表示。第二种示意如下

由于VCF文件中只保存了样本的分型结果，所以家系信息通过一个额外的文件来补充。更多详情请参考以下文档

https://software.broadinstitute.org/gatk/documentation/tooldocs/3.8-0/org_broadinstitute_gatk_tools_walkers_variantutils_VariantsToBinaryPed.php

2. vcftools

vcftools是操作vcf文件的一款常用工具，支持将vcf文件转换成plink对应的ped/map格式，基本用法如下

vcftools  --vcf input.vcf --plink --out output

没有额外的家系信息，在输出结果中，family id和sample id是重复的，其他列全部为0，示意如下

3. plink

plink1.9版本支持直接读取vcf/gen等多种文件格式，所以使用该版本时其实不需要专门进行格式转换，软件默认会将不同的格式转换为二进制bed文件格式。这里只是展示下其格式转换的用法，基本用法如下

plink --vcf input.vcf --recode --out output --double-id

默认转换为二进制的bed格式，对于分析更加适用，这里添加--recode参数将输出结果调整为ped格式，可以更好的查看其转换的规则。

plink默认用下划线对样本名进行分隔，分隔的两个字段分别作为ped文件中的family id和sample id, 如果vcf中的样本名含有多个下划线，无法正确进行划分，软件会报错，此时可以修改--id-delim参数，该参数设定了分隔符，默认是下划线，可以设置成其他字符，以达到正确区分的目的。

除此之外，还有一种解决方案，通过参数指定family_id的设定方式，有两种参数，第一种如上述示例中的--double_id, 将family id和sample id保持相同，输出的ped文件的前六列示意如下

第二种参数用法如下所示

plink --vcf input.vcf --recode --out output --const-fid family_id

通过--const-fid将family id设置成一个常量，默认值是0，上述示例输出的ped文件的前六列示意如下

双亲，性别默认用0填充，表型默认用-9填充。

看完上述内容，你们掌握VCF转换PLINK格式的3种方法是什么的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注亿速云行业资讯频道，感谢各位的阅读！