背景介绍
在进行meta分析之前，我们首先要对gwas的sumstats进行预处理，这一步看似简单，但却是高质量meta分析中必不可少的一步，本文将简单介绍预处理过程中需要注意的事项，并简单介绍一款实用的预处理软件。
不同GWAS sumstats通常格式千差万别，单单统一格式就已经让人烦恼，而更令人万念俱灰的是，不同sumstats的参考的基因组版本并不相同，allele的正负链也不统一，SNPID有的用rsID（rsID的版本又是个问题~_~），有的又用chrpos…
针对以上种种的不统一，我们都要逐一进行处理，要注意事项主要包括：
- 参考基因组的版本：hg19还是hg38 或其他
- 表示变异等位的正负链是否统一
- 如果是a1，a2这种表示形式，则需要明确effect allele与non-efffect allele
- 对于palindromic SNP （A/T, 或是G/C如何处理？）
- 表示效应量的是beta还是OR
Pipeline
预处理简要的pipeline：
- 确定参考所用的VCF文件, 最好包含相应群体的allele frequency（AF）数据
- 对于基因组版本不一致的sumstats首先liftover转换成参考vcf的基因组版本
- 对sumstats进行整理并统一beta与OR的使用，
- 数量表型用beta与SE
- 二分类表型用OR与OR_95L，OR_95U
- 对不同群体的sumstats，使用相应的AF,利用harmoniser工具分别进行harmonise
- 设定依据AF判断正负链的阈值
- 对于处理后的gwas sumstats进行统一的质控 QC
- INFO
- MAF等
Genetics-Sumstats-Harmoniser工具使用教程
下载与安装
harmonise可以使用的工具
该工具由opentargets项目组成员开发
github链接：https://github.com/opentargets/genetics-sumstat-harmoniser
# Download 从github下载
git clone <https://github.com/opentargets/sumstat_harmoniser.git>
cd sumstat_harmoniser
# Install dependencies into isolated environment 创建环境
conda env create -n sumstat_harmoniser --file environment.yaml
# Activate environment 激活环境
source activate sumstat_harmoniser
# Run tests 检验是否安装成功
cd tests
./run_tests.py
环境要求 Requirements
- python3
- HTSlib (for tabix)
参考数据 Reference data
可以使用的参考数据：
以global biobank meta-analysis initiative为例，其参考数据使用了gnomAD的数据：
https://gnomad.broadinstitute.org/downloads
示例:
INFO字段中包含了不同族裔中的allele frequency的信息：
#CHROM POS ID REF ALT QUAL FILTER INFO
1 10108 rs62651026 CAACCCT C 46514.3 RF AF_eas=0;AF_nfe=0;AF_fin=0.0227273
1 10109 rs376007522 AACCCT A 89837.3 RF AF_eas=0;AF_nfe=0.0512821;AF_fin=0.0588235
使用方法
输入选项
需要两个文件：一是gwas的sumstats，二是参考的vcf文件
Input files:
--sumstats <file> GWAS summary statistics file
--vcf <file> Reference VCF file. Use # as chromosome wildcard.
其中gwas sumstats还需要指定对应的列名：
Input column names:
--chrom_col <str> Chromosome column 染色体
--pos_col <str> Position column 碱基位置
--effAl_col <str> Effect allele column 效应等位
--otherAl_col <str> Other allele column 非效应等位
--beta_col <str> beta column
--or_col <str> Odds ratio column
--or_col_lower <str> Odds ratio lower CI column
--or_col_upper <str> Odds ratio upper CI column
--eaf_col <str> Effect allele frequency column
--rsid_col <str> rsID column in the summary stat file
输出选项
输出3个文件，Harmonise后的文件，Harmonise过程中的统计文件，以及forward/reverse/palindromic variants的数量的文件，通过以下选项指定：
Output files:
--hm_sumstats <file> Harmonised sumstat output file (use 'gz' extension to
gzip)
--hm_statfile <file> Statistics from harmonisation process output file.
Should only be used in conjunction with --hm_sumstats.
--strand_counts <file>
Output file showing number of variants that are
forward/reverse/palindromic
其他选项
Other args:
--only_chrom <str> Only process this chromosome
--in_sep <str> Input file column separator (default: tab)
--out_sep <str> Output file column separator (default: tab)
--na_rep_in <str> How NA are represented in the input file (default: "")
--na_rep_out <str> How to represent NA values in output (default: "")
--chrom_map <str> [<str> ...]
Map summary stat chromosome names, e.g. `--chrom_map
23=X 24=Y`
Harmonisation mode 模式选择:
可以选择以下四种模式：[infer|forward|reverse|drop]
对于 palindromic variants 的处理方式为:
(a) infer strand from effect-allele freq, 根据AF推测
(b) assume forward strand, 假设全部都为正链
(c) assume reverse strand, 假设全部为负链
(d) drop palindromic variants 舍弃所有palindromic variants
AF字段名与阈值
如果选择通过AF推测正负链（–palin_mode infer），那么还需要制定vcf文件中af的字段名与推测的阈值 –af_vcf_field <str> VCF info field containing alt allele freq (default:AF_NFE)
指定VCF文件中INFO里包含AF信息的字段
–infer_maf_threshold <float>Max MAF that will be used to infer palindrome strand (default: 0.42)
推测palindrome strand的最大MAF的阈值
使用例
如果输入的sumstats为以下格式：
CHROMOSOME POSITION MARKERNAME NEA EA EAF INFO N BETA SE P OR OR_95L OR_95U
那么harmonise时，可以使用如下的代码：
sumstat_harmoniser \
--sumstats ${sumstats} \
--vcf gnomad.vcf.gz \ #以gnomad为参考
--eaf_col EAF \
--af_vcf_field AF_eas \
--chrom_col CHROMOSOME \
--pos_col POSITION \
--effAl_col EA \
--otherAl_col NEA \
--beta_col BETA \
--or_col OR \
--or_col_lower OR_95L \
--or_col_upper OR_95U \
--palin_mode infer \
--hm_sumstats ${out}.hm \
--hm_statfile ${out}.stats
harmonise后的结果为原文件前加上以下harmonise后的列
hm_varid hm_rsid hm_chrom hm_pos hm_other_allele hm_effect_allele hm_beta hm_OR hm_OR_lowerCI hm_OR_upperCI hm_eaf hm_code
GWASLab - GWAS实验室 