rsID的介绍与chr:pos转换时的陷阱

很多小伙伴都觉得位置转换rsID是很麻烦的事情，有时会偷懒只用手头文件的chr:pos位置信息匹配rsID，但这样做带来的的问题却少有人讨论，本文将主要介绍什么是rsID，以及rsID在使用和转换中的一些常见问题。

本文内容
什么是rsID
主要优点
rsID可能表示的变异类型
（重点）rsID与chrpos转换时的常见错误
解决办法
参考

什么是rsID

rsID 就是 dbSNP的Reference SNP ID （缩写为rs 或者RefSNP），一个由dbSNP设定的，为了识别变异位点的一串数字编号。rsID设计上是非冗余的，也就是全局唯一的id，用户提交的变异会被归类整理注释，重复的变异会被整合。

主要优点

rsID无关参考基因组版本，不像chrpos会随版本变化而变化, rsID在不同版本间是一致的。对于群体遗传学或是精准医学的大规模的研究来说会更加方便，rsID提供了稳定的变异表示方法。（摘自官网，个人认为有时候rsID的转换带来的问题远超不转换的问题，有好有坏，但是传统上还是需要转换）

rsID表示变异的类型

rsID中的rs尽管是Reference SNP的首字母缩写，但实际上一些其他类型的变异也会被赋予rsID。（通常变异的长度小于50bp）

单核苷酸变异 Single nucleotide variation (SNV)
短多核苷酸变异 Short multi-nucleotide changes (MNV)
较小的短插入或删除 Small deletions or insertions (INDEL)
较小的短串联重复序列 Small STR repeats
逆转录转座子插入 retrotransposable element insertions

rsID是把双刃剑：仅凭chr：pos与rsID互相转换时的陷阱

仅使用chr:pos 转换 rsID时的问题：

对应位点rsID不存在，可能是新变异等等原因，通常可以以chr:pos:ref:alt的形式替代。但还有个问题就是Alt allele不存在，比如rs123456 对应chr1：123456的 T>C,A 而你手里的数据是chr1：123456的 T>G，那问题来了，这应不应该给他们相同的rsID？仅凭位点和类型来说应该给，或许下个版本的dbsnp会加上这个变异，但其实我也没有明确的答案（欢迎评论区讨论），不过实际操作中我会倾向于保守一点，用chr:pos:ref:alt 而不是rsID来表示。
如上rsID的介绍所述，rsID并不止只用来表示单一核苷酸的SNP，也会表示其他变异类型，这会导致同一位点有多个rsID表示的变异，最常见的就是某个位点同时有SNP和INDEL，仅凭chr:pos信息而不管allele的话会混淆并大量的错误匹配SNP与INDEL的rsID，后续功能分析会引起很大的不便，举个例子： rs123456 对应chr1：123456的 T>C ,而rs987654 同样对应chr1：123456这个位置，但是这个变异是个INDEL， T>TA，如果仅凭chr：pos匹配会混淆SNP与INDEL，虽然是同样的位置，但变异造成的影响会完全不同。解释时本应是rs987654这个INDEL造成的影响却错误地解释到rs123456这个SNP上，这种情况应该被避免。这么做破坏了rsID的唯一性特点，是不是有点违背初衷，本末倒置了。
还有一个问题就是手头数据里的变异是否已经标准化？ 未标准化的变异的chrpos是不准确的，进行左对齐与节俭原则的标准化后可能产生位移，用未标准化chrpos匹配时可能会错位匹配到其他相邻的位点上。比如手头的变异可能是 chr1:123456:AA:AT ,标准化后则是chr1:123457:A:T，向后移了一位，如果你看过1000genome的原始数据就会发现这样的情况大量存在，所以应当注意（参考：GWASLab：变异的标准化 Variant Normalization）
0起点还是1起点的参考系问题，处理数据时应该注意，这里不做过多赘述。（GWASLab：LiftOver 基因组坐标变换与 01坐标系统）

rsID 向 chr：pos 某参考基因组版本的位置转换时，会遇到的问题：

设计上rsID是唯一对应某个变异的，但实际上由于dbSNP版本的不同或其他原因，手头GWAS的sumstats里的rsID可能对应两个位置，而多个rsID又可能对应同一个位置上相同的变异
在对应参考基因组版本上的位置不存在等等

解决办法

rsID转换chrpos时要尽量明确原始数据的dbsnp版本，能确定版本的时候用对应版本，不能的时候要制定统一标准（为了研究的可重复性），转换时要使用统一的dbsnp的版本。

而chrpos转换rsID时，不贪多，不求快，老老实实用先确认标准化，然后利用注释的方法，也就是相应基因组版本的位置chr:pos以及 ref与alt全部与rsID全部匹配时才进行转换。

可以参考以下内容：

GWASLab：使用ANNOVAR对变异进行功能注释

GWASLab：SNP的rsID与位置信息的相互匹配 rsID/ chr:pos conversion

参考：

https://www.ncbi.nlm.nih.gov/snp/do