使用Shapeit2对人类基因组数据进行phasing

SHAPEIT(2.0)是专门用于对推断基因组单体型的软件，有牛津大学的团队所开发，并且一直应用与千人基因组计划中。

以下，我将记录如何通过shapeit2对人群的变异数据集（VCF 格式）进行phasing，并构造出reference panel的过程。

首先，准备文件。整个过程只需要变异数据集（VCF 格式），样本信息文件(sample.fam)，genetic_map文件和参考序列（fasta格式）。对于genetic_map文件需要单独做些说明，这个记录的是基因组中各个位点的重组率和物理距离之间的关系，这是phasing过程非常重要的一个文件。它来自于人类单体型计划-Hapmap计划，可以下载,
最新版是b37或者说hg19，如果你的reference版本高于hg19，则需要liftover，liftover之后那些顺序发生交叉的位点，是liftover的错误导致的，要去掉。但是要注意的是，genetic-map中两个位点之间的重组率（recombination rate）是不变的，这其实也很好理解，reference之所以需要升级，是因为它的组装结果并非是百分百符合真实情形的，随着技术的进步，我们会不断去升级逼近这个真实情况，但重组率是根据群体的重组情况来计算的，它是由真实情况反映出来的，因此即便reference版本改变了，它的值也不需要改变。不过对于两个位点之间的物理距离（physical distance）就不同了，leftover之后，这个距离是会发生变化的，通过和原点（一般是重组率为0的点或者就是各个染色体的第一个位点）的距离比例来调节。

至于样本信息文件，格式如下：

1009	1009-01	0	0	1	34
1009	1009-02	0	0	2	33
1009	1009-06	1009-01	1009-02	2	67
1030	1030-01	0	0	1	43
1030	1030-02	0	0	2	44
1030	1030-06	1030-01	1030-02	1	71

其他的两份文件就不必多说了。

准备好以上文件之后接下来就是主要的步骤了：

第一步，将vcf转化为bed/bim/fam

bed/bim/fam这三个文件是phasing的常用谱系文件格式。做这一步转换的工具有很多，我们这里直接借助GATK的VariantsToBinaryPed模块进行转换：

time java -Xmx8g -jar GenomeAnalysisTK.jar -T VariantsToBinaryPed \
-R hg20.fa \
-V chr22.vcf \
--metaData sample.fam \
-mgq 0 \
-bed chr22.bed \
-bim chr22.bim \
-fam chr22.fam \
-log gatk.log && echo "** done **" && sed 's/^chr//g' chr22.bim > t.bim && mv -f t.bim chr22.bim

第二步，过滤genotype高missing rate和孟德尔错误的位点

plink=/com/extra/testing/bin/plink
time $plink --noweb --bfile chr22 --keep-allele-order --me 1 1 --set-me-missing --make-bed --out chr22.nomendel && echo "** nomendel done **" && time $plink --noweb --bfile chr22.nomendel --keep-allele-order --geno 0.05 --make-bed --out chr22.nomendel.filter && echo "** fileter done **"

第三步，phasing

这是phasing的最后一步了，这里分成两小步，phasing和输出格式转换：

# phasing
time shapeit2 \
--duohmm \
-W 5 \
--input-bed chr22.nomendel.filter.bed chr22.nomendel.filter.bim chr22.nomendel.filter.fam \
--input-map genetic_map.chr22.txt \
-O hapData \
--thread 1 && echo "** panel done **"
 
# 格式转换
time shapeit2 -convert \
--input-haps hapData \
--output-vcf chr22.haps.vcf \
--output-ref chr22.phased.hap chr22.phased.leg chr22.phased.sam && echo "** all done **"

以上输出结果中，chr22.haps.vcf便是进行phasing之后的结果，而chr22.phased.hap和chr22.phased.leg这两个文件是从chr22.haps.vcf中得到的，它们便是Imputation分析中的reference panel。