GWAS分析中显著位点如何注释基因：excel？？？

大家好，我是邓飞。

今天星球的小伙伴问了一个问题：

我现在在做GWAS分析，现在已经找到性状关联的SNP位点，下一步我如何根据position 找到基因呢？

关于基因注释，之前写过一些博客，可以用到的软件有：ANNOVAR、Bedtools，今天回答了这个问题，感觉excel也可以做基因注释了。

下面，对我的回答进行进一步的阐述。

1. GWAS分析

GWAS分析，之前写过一个Cookbook，包括方方面面的内容了，如果是小白，推荐一遍看配套的视频，一遍敲代码学习：

录制了配套的视频教程，前面的数据下载、软件安装、环境配置等相关视频免费观看，后面的付费观看。对于想要快速学习的小白，视频+代码+数据+实操+技术支持，是比较快的一条路。 

                                          （扫码查看视频教程）

2，显著SNP位点

做完GWAS分析后，确定阈值，然后小于阈值的位点都是显著性位点，显著性位点最重要的两个信息：

• 染色体

• 物理位置

有时候还包括snp的名称，但是不是必填项，只需要上面两个信息，就可以知道显著snp在基因组上的位置了。

3，配套基因组的gff文件

一般，有基因组数据的物种，有基因组的版本，还有配套的gff或者gff3格式的文件，文件的内容里面有：

• 染色体

• 基因起始位置

• 基因终止位置

• 基因功能描述

• ……

类似：

4，计算LD衰减距离

为何要计算LD衰减距离呢，是为了知道显著snp代表的区间，因为存在连锁，所以衰减距离就是确定snp所代表的有效区间，可以代表这个有效区间的变异。虽然snp不在基因上，但是如果snp的衰减距离区间内（比如上下50kb）包含基因，那也可以说明这个基因是显著影响性状的。

所以，计算了LD衰减距离，显著性snp的信息，就变成了：

• 染色体

• 有效区间起始位置

• 有效区间终止位置

5，用excel注释显著性snp

我们把gff文件，简化一下，整理成excel格式：

怎么用excel表格呢，可以手动查看，也可以编写一个函数。

话说，上面的显著性位点，一共就6个SNP，手动搞就行了。

第一个snp，区间是1染色体，5-15，这个区间有：gene1
第二个snp，区间是1染色体，10-20，这个区间有：gene2，不是完全包括，但是有交集，也算是
第三个snp，没有基因
第四个snp，gene4
第五个snp：没有基因
第六个snp：没有基因

所以这些snp，一共注释的基因有：gene1, gene2, gene4

6，我有1000个显著性位点，谢谢

如果位点很多，这就需要用到软件了：bedttols

「换到基因注释的领域，看一下相关需求：」

• 1，显著性的SNP位点，取上下游50k的位点，作为候选的区间

• 2，将候选区间有基因的，匹配到SNP的右边

「处理注意：」

• 1，显著SNP在上下游区间时，可能会有交叉，所以要先合并（merge）

• 2，匹配基因时，一个SNP区间可能会有多个基因

1. 数据描述

「SNP区间文件：」

这里，提取显著SNP的区间，提取三列信息：染色体，开始位置，结束位置：

共有6个SNP区间，其中第一个和第二个有重合，第五个和第六个有重合。

 cat snp_infor.ped  chr1 5 15  chr1 10 20  chr1 30 40  chr1 80 90  chr1 110 120

「基因区间文件：」

共有5个基因区间文件，分别是：染色体，开始位置，终止位置，基因名称。

 cat gene_infor.ped  chr1 1 14 gene1  chr1 17 19 gene2  chr1 45 82 gene3  chr1 88 93 gene4

2. 提取每个SNP上面的基因

「需求：」

• 每个SNP一行

• 如果有基因在其区间，放到右边，如果没有基因，返回空

• 如果一个SNP区间对应多个基因，写成多行

代码：

• intersect，交集

• -a，第一个位置信息表

• -b，第二个位置信息表

• -loj，以第一个为基准，返回结果

结果可以看到，第二个SNP区间，对应两个基因，写成了两行。第三个SNP区间没有对应基因，用-1表示占位。共返回8行信息。

3. 返回有基因信息的SNP

如果不想要占位符，只想返回有基因的SNP信息，可以命令如下：

bedtools intersect -a snp_infor.ped -b gene_infor.ped  -wa -wb

结果：

​​​​​​

$ bedtools intersect -a snp_infor.ped -b gene_infor.ped  -wa -wb  chr1 5 15 chr1 1 14 gene1  chr1 10 20 chr1 1 14 gene1  chr1 10 20 chr1 17 19 gene2  chr1 80 90 chr1 45 82 gene3

可以看到，将没有匹配到基因的SNP删除了。

上面的信息中，有些SNP匹配到了多个基因，也就是基因是有重复的。

• 如果我们想看每个SNP匹配的基因情况，可以用上面的结果

• 如果我们想看一下共有多少无重复的基因匹配，就需要对SNP区间先合并

4. 合并SNP区间再匹配

合并命令：

bedtools merge -i snp_infor.ped >snp_infor_merge.ped

原始数据：

$ cat snp_infor.ped  chr1 5 15  chr1 10 20  chr1 30 40  chr1 80 90  chr1 110 120

合并的结果：

$ cat snp_infor_merge.ped  chr1 5 20  chr1 30 40  chr1 80 90

然后和基因的信息进行合并：​​​​​​​

$ bedtools intersect -a snp_infor_merge.ped -b gene_infor.ped -wa -wb  chr1 5 20 chr1 1 14 gene1  chr1 5 20 chr1 17 19 gene2  chr1 80 90 chr1 45 82 gene3

5. 查看每个SNP区间基因的个数

结果可以用2中，统计一下个数，也可以用bedtools的-c参数：​​​​​​​

$ bedtools intersect -a snp_infor.ped -b gene_infor.ped -c  chr1 5 15 1  chr1 10 20 2  chr1 30 40 0  chr1 80 90 2  chr1 110 120 0

结果可以看到，SNP1有一个基因，SNP2有2个基因，SNP3没有基因……

6. 基因注释的不同玩法

把上面SNP的区间，作为显著性SNP上下游的信息，把基因的信息作为gff基因文件，就可以进行基因注释了！

上面的玩法都可以做。

「注意，将gff格式整理为：染色体，开始位置，结束位置，基因信息；

snp区间整理为：染色体，开始区间，结束区间」

可以实现的功能：

• 每个SNP区间内的基因

• 每个SNP全进内基因的个数

• 合并SNP区间内的基因

• 合并SNP区间内基因的个数