SNP过滤时常用参数的解析(群体遗传)

发布网友发布时间：2023-03-14 19:16

共1个回答

热心网友时间：2023-10-23 22:47

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。

这两个参数并非通用，为什么要考虑它们见图片中的描述

10bp范围内有3个以上的SNP，去除掉

去除indel附近5bp范围内的SNP

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 ./.

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。

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。

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。

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。

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。

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。