作者:老王
链接:https://laowang2023.cn/2023/11/07/20231107-easyQTLseq/
来源:请叫我老王(个人博客)
本文采用 CC BY 4.0 许可协议 进行共享。转载请注明作者姓名和链接
QTL-seq是一种结合混池分离分析(Bulked segregant analysis,BSA)和高通量测序的方法[1],这种方法对于质量性状 QTL 或数量性状主效 QTL 定位具有省时省力省钱的特点。我们在前面已经介绍过QTL-seq分析的原理以及如何计算QTL-seq中的的置信区间。这里我们介绍如何使用R包 easyQTLseq 进行 QTL-seq 分析。
easyQTLseq 包的一个优势是可以灵活处理有无亲本信息、有一个还是两个亲本信息以及亲本是否有参考基因等各种情况,并且可以导出各个计算过程的结果以及生成高质量的图片。
安装easyQTLseq
easyQTLseq 包在 GitHub 上,使用 devtools
包安装。
# install devtools
install.packages("devtools")
# install easyQTLseq
devtools::install_github("laowang1992/easyQTLseq")
准备输入数据
使用 GATK VariantsToTable
对亲本和混池的测序数据使用 GATK best practice pipeline 得到 VCF 文件,其中包含了各个样本的基因型(Genotype,GT)、基因型质量(Genotype Quality,GQ)、等位基因的深度(Allelic Depth,AD)以及一些其他的信息。为了加快数据读取和处理速度,使用 GATK 的 VariantsToTable
功能提取 CHROM、POS、REF、ALT 以及各个样本的 GT、GQ 和 AD 信息。
java -Xmx30g -jar ${GATK} \
-R ${genome} -T VariantsToTable \
-F CHROM -F POS -F REF -F ALT -GF GT -GF AD -GF GQ \
-V ${BSA}.filter.SNPs.vcf.gz -o ${BSA}.filter.SNPs.table
使用 vcf2table
如果说你只有一个 VCF 文件,而且没有装 GATK,那如何做格式转换呢?easyQTLseq
包提供了一个函数 vcf2table()
用于格式转换。可以先用 vcfR
包中的 read.vcfR()
函数读取 VCF,然后用 vcf2table()
转换,函数输出可以直接用于 select_sample_and_SNP()
。
library(vcfR)
library(easyQTLseq)
file_path <- system.file("extdata", "A07.SNPs.vcf.gz", package = "easyQTLseq")
x <- read.vcfR(file = file_path)
data <- vcf2table(x = x)
数据来源
这里我们使用的数据来源于一篇甘蓝型油菜花色研究的文章[2](注意:样本命名和原文不同)。这篇文章使用两个 F2 群体将花色 QTL 定位到 A07 染色体的 21.96-30.14Mb 区间上,最终经过精细定位得到候选基因 BnaA07.PAP2 (BnaA07G0287000ZS) 的位置是 A07:26,522,430-26,524,093。
甘蓝型油菜花色表型和QTL定位 Ye et al. 2022
使用方法
加载包并导入数据
使用 VariantsToTable
准备好数据文件并加载 easyQTLseq 包后就可以导入数据了。
library(easyQTLseq)
file_path <- "BSA.filter.SNPs.table"
# readr::read_tsv() has a faster speed than read.table() when reading a file.
data <- readr::read_tsv(file = file_path)
## Rows: 2803830 Columns: 16
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: "\t"
## chr (11): CHROM, REF, ALT, R.GT, R.AD, R3.GT, R3.AD, Y.GT, Y.AD, qY.GT, qY.AD
## dbl (5): POS, R.GQ, R3.GQ, Y.GQ, qY.GQ
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
指定样本信息并筛选SNP位点
读取数据后,使用 select_sample_and_SNP()
函数对数据进行初步处理。选择亲本和混池并指定对应的材料信息,并指定群体类型和混池样本数量等信息,其他参数参考帮助信息。这个函数最终会返回一个包含所有信息的 QTLseq S3 对象。
x <- select_sample_and_SNP(data = data,
highP = "qY", # 高表型亲本名称
lowP = "R3", # 低表型亲本名称
highB = "Y", # 极端高表型混池名称
lowB = "R", # 极端低表型混池名称
popType = "F2", # 群体类型,F2或者RIL。如果你的是DH群体也需要填RIL
bulkSize = c(30, 30) # 混池大小,也就是高表型池和低表型池中个体的数量
)
x
## $data
## # A tibble: 722,424 × 12
## CHROM POS REF ALT HP.DP LP.DP HB.HP.AD HB.LP.AD HB.DP LB.HP.AD
## <chr> <dbl> <chr> <chr> <int> <int> <int> <int> <int> <int>
## 1 scaffoldA01 275959 A C 17 24 6 6 12 16
## 2 scaffoldA01 320766 G A 19 11 6 6 12 10
## 3 scaffoldA01 361230 A T 18 6 6 5 11 8
## 4 scaffoldA01 361486 G T 26 9 13 5 18 8
## 5 scaffoldA01 361875 A C 19 5 8 0 8 4
## 6 scaffoldA01 361884 T G 19 5 8 0 8 6
## 7 scaffoldA01 362128 A C 19 6 7 5 12 4
## 8 scaffoldA01 362153 T G 20 5 8 5 13 6
## 9 scaffoldA01 364170 C T 17 14 12 9 21 14
## 10 scaffoldA01 365454 T C 18 10 11 5 16 15
## # ℹ 722,414 more rows
## # ℹ 2 more variables: LB.LP.AD <int>, LB.DP <int>
##
## $highP
## [1] "qY"
##
## $lowP
## [1] "R3"
##
## $highB
## [1] "Y"
##
## $lowB
## [1] "R"
##
## $popType
## [1] "F2"
##
## $bulkSize
## [1] 30 30
##
## $slidwin
## data frame with 0 columns and 0 rows
##
## $chrLen
## # A tibble: 523 × 2
## CHROM Len
## <chr> <dbl>
## 1 scaffold0022 70801
## 2 scaffold0025 4039467
## 3 scaffold0026 8552783
## 4 scaffold0027 5993037
## 5 scaffold0032 11673
## 6 scaffold0034 36998
## 7 scaffold0036 262
## 8 scaffold0037 23809
## 9 scaffold0038 32054
## 10 scaffold0039 6403
## ℹ 513 more rows
## ℹ Use `print(n = ...)` to see more rows
##
## attr(,"class")
## [1] "QTLseq" "WithParent" "BothParent"
除此之外,这个函数还可以处理各种不同的情况,例如上述的分离群体双亲都存在的情况、只有高表型亲本或低表型亲本存在的情况、没有亲本信息的情况、或者在 call SNP 时使用的是其中一个亲本的参考基因组。
# If only one parent is present, e.g. high parent.
x_onlyHP <- select_sample_and_SNP(data = data, highP = "qY", highB = "Y", lowB = "R", popType = "F2", bulkSize = c(30, 30))
# If no parent is present.
x_noParent <- select_sample_and_SNP(data = data, highB = "Y", lowB = "R", popType = "F2", bulkSize = c(30, 30))
# If no parent is present, but high parent has a reference genome, this reference genome is used for SNP calling. Then the `highP` parameter should be "REF".
x_HPisREF <- select_sample_and_SNP(data = data, highP = "REF", highB = "Y", lowB = "R", popType = "F2", bulkSize = c(30, 30))
统计覆盖深度分布密度
在选择样本和 SNP 位点后,我们统计了每个样本所有 SNP 位点覆盖深度的分布,这样可以为后面根据覆盖深度过滤 SNP 位点提供参考。
depth_statistics(x = x,
outPrefix = "outprefix" # "outprefix"是输出文件的前缀
)
覆盖深度分布密度
根据覆盖深度过滤SNP位点
低覆盖深度 SNP 的可靠性和准确性较低,而极高覆盖深度的 SNP 位点可能来自重复序列。这些 SNP 在进行后续分析前应该排除。
# default minimum coverage depth is 6, default maximum coverage depth is `average+3*sd`.
x_filter <- filterDP(x = x)
统计SNP位点分布
在经过上述处理后,剩下的 SNP 可以用于 QTL-seq 分析,在分析之前应当检查一下 SNP 位点沿染色体的分布情况。这个分析所使用的参考基因组有很多没有挂载到染色体的 scaffold 片段,这里使用 targetChr
指定只分析19条染色体上的分布,并且这个基因组的染色体命名是按照 scaffoldA01、scaffoldA02 ... 这种格式,因此使用 chrLabel
重新指定染色体名称为 A01、A02 ... 。
targetChr <- c(paste0("scaffoldA", sprintf("%02d", 1:10)), paste0("scaffoldC", sprintf("%02d", 1:9)))
chrLabel <- c(paste0("A", sprintf("%02d", 1:10)), paste0("C", sprintf("%02d", 1:9)))
SNP_distribution(x = x_filter, outPrefix = "outprefix",
targetChr = targetChr, # 这里的targetChr是一个向量。你所用的基因组中可能有很多scaffold或contig,而这个向量中包含了需要展示的染色体名称,如果不指定这个参数,那么默认展示数据集中所有的染色体
chrLabel = chrLabel # 指定展示的染色体的名称,默认是数据集中染色体的名称,和"targetChr"参数对应。例如这个例子中数据集中第一个染色体名称是"scaffoldA01",通过这个参数可以修改为"A01"
)
SNP沿染色体分布
导出等位基因覆盖深度数据
如果想使用其他软件或方法来进行 QTL-seq 分析,就可以使用 export_dp()
函数导出等位基因覆盖深度信息,这个函数将生成名为 <outprefix>.Depth_information.txt|csv
的文件。
export_dp(x = x_filter, outPrefix = "outprefix")
滑窗统计计算 ΔSNP-index 和 ED 值
为了减小噪音使结果更加平滑,这里只用滑窗统计的方法来计算 SNP index、ΔSNP index、欧几里得距离(Euclidean Distance, ED)。在这一步,如果存在至少一个亲本的信息或者 call SNP 使用的是其中一个亲本的参考基因组,则 ΔSNP index 和 ED 值可以同时计算,如果没有亲本信息,则只计算 ED 值。同时这一步也会自动在当前目录导出滑窗统计的结果。
x_filter <- calc_index_etc(x = x_filter, outPrefix = "outprefix",
winSize = 2000000, # 滑窗统计的窗口大小
winStep = 200000 # 滑窗统计的步长
)
导出图片
前面使用滑窗统计计算出结果,这一步则将上述计算结果按照染色体位置绘制图片并导出。
export_figure(x = x_filter,
outPrefix = "outprefix",
targetChr = targetChr, # Target chromosome to be drawn in figures, default is all chromosomes in the data.
chrLabel = chrLabel, # The label for chromosome shown in figures, default is chromosome names in the data.
minN = 20, # Too few SNPs in a window will result in noise, the windows containing SNPs less than minN will be omitted in figures.
width = 12, height = 4)
delta SNP index
获取QTL信息
现在图表结果都有了,那么 QTL 位点的具体位置是哪里呢?如何得到QTL所在染色体的放大图片呢?这里可以使用 getQTL_and_exportFigure()
来获得这些信息和结果。这个函数会将QTL在染色体上的位置区间、峰值所在位置、峰值 ΔSNP index 等信息导入名为 <outprefix>.99|95CI.csv
的表格中,并导出目标染色体的图片。当然和前面一样如果没有亲本信息,那么这一步就可以省略了。
getQTL_and_exportFigure(x = x_filter, outPrefix = "outprefix", minN = 20)
A07 染色体
到这里整个 QTL-seq 分析就结束了,在99%的置信区间下鉴定到一个 QTL 位于 A07:22,280,000-29,840,000,与文章结果基本相同,峰值所在位置为 25,740,000 bp,与候选基因 BnaA07.PAP2 的位置较为吻合。运行过程所产生的各种图表结果会自动导出,并且以 outPrefix
前缀命名。这个包的作者起名叫 easyQTLseq
,主要是它可以自动处理有无亲本、亲本是否有参考基因组的各种情况,并且可以自动导出各种图表结果。但是很显然整个分析过程还是需要很多步骤才能完成,并且使用者至少需要了解R语言编程才能使用,并没有达到作者所说的 easy 的程度,因此后续可以结合 shiny 为这个扩展包写个图形界面,将各个参数设置好以后点击 run
可以直接运行所有步骤并生成所有结果,这种程度才算是真正的 easyQTLseq 。
引用
如果使用 easyQTLseq 进行 QTL-seq 分析,在撰写文章时可以在 Method 部分注明:
The QTL-seq analysis was performed using R package easyQTLseq (https://github.com/laowang1992/easyQTLseq.git).
图片与主题无关
参考文献
-
Takagi H, Abe A, Yoshida K, et al. QTL-seq: rapid mapping of quantitative trait loci in rice by whole genome resequencing of DNA from two bulked populations. Plant J. 2013;74(1):174-183. doi:10.1111/tpj.12105 ↩
-
Ye S, Hua S, Ma T, et al. Genetic and multi-omics analyses reveal BnaA07.PAP2In-184-317 as the key gene conferring anthocyanin-based color in Brassica napus flowers. J Exp Bot. 2022;73(19):6630-6645. doi:10.1093/jxb/erac312 ↩