SNP 过滤（一）

通用过滤

Vcftools（http://vcftools.sourceforge.net） 对vcf文件进行过滤

第一步：过滤最低质量低于30，次等位基因深度（minor allele count）不少于3

 1 vcftools --gzvcf raw.vcf.gz --max-missing 0.5 --mac 3 --minQ 30 --recode --recode-INFO-all --out raw.g5mac3
 2
 3 ##
 4 --gzvcf 压缩的vcf文件；
 5 --max-missing 过滤掉缺失率大于50%的位点；
 6 --minQ 过滤掉低于30的质量粉猪；
 7 --Mac 次要等位基因深度为3，过滤小于3的位点；
 8 --recode 输出过滤后的VCF文件
 9 --recode-INFO-all 包含原来文件中所有的INFO信息
10 --out 输出文件

第二步：上述结果文件raw.g5mac3.recode.vcf， 基于最低深度进行过滤

vcftools --vcf raw.g5mac3.recode.vcf --minDP 3 --recode --recode-INFO-all --out raw.g5mac3dp3 

##
--minDP 最低的深度

第三步：删除缺失率过高的样本

 1 ## 查看各个样本的缺失率
 2 vcftools --vcf raw.g5mac3dp3.recode.vcf --missing-indv
 3 --missing-indv 查看每个样本的variant缺失情况。输出文件"out.imiss"，最后一列即表示样本中的variants缺失率；
 4
 5
 6 ## 利用awk 输出缺失率》0.5的样本
 7 awk '($5 >0.5){print $0}' out.imiss |cut -f1 >lowDP.indv
 8
 9 ## 去除高缺失率的样本
10 vcftools --vcf raw.g5mac3dp3.recode.vcf --remove lowDP.indv --recode --recode-INFO-all --out raw.g5mac3dplm
11
12 --remove 根据lowDP.indv列表去除vcf文件中的高缺失率样本

第四步：基于最大缺失比例，平均深度和次等位基因频率（MAF）过滤

1 vcftools --vcf raw.g5mac3dplm.recode.vcf --max-missing 0.95 --maf 0.05 --recode --recode-INFO-all --out DP3g95maf05 --min-meanDP 20
2
3 ##
4 --max-missing 最大缺失率
5 --maf  次等位基因频率，排在第二位的基因频率

若你的群体来此多个区域，你想对不同的群体的样本进行分布过滤，可进行如下操作

 1 ## 提供一个样本信息popmap
 2 BR_002  BR
 3 BR_004  BR
 4 BR_006  BR
 5 BR_009  BR
 6 BR_013  BR
 7 BR_015  BR
 8 BR_016  BR
 9 BR_021  WL
10 BR_023  WL
11 BR_024  WL
12
13 ## 根据第二列信息进行拆分
14 awk '($2=='BR'){print $0}' popman >1.keep
15 awk '($2=='WL'){print $0}' popman >2.keep
16
17 ## 用VCFtools分别估计不同群体的缺失比例
18 vcftools --vcf DP3g95maf05.recode.vcf --keep 1.keep --missing-site --out 1
19 vcftools --vcf DP3g95maf05.recode.vcf --keep 2.keep --missing-site --out 2
20
21 ## 合并两个文本，根据最后一列提出缺失率大于0.1的样本
22 cat 1.lmiss 2.lmiss | mawk '!/CHR/' | mawk '$6 > 0.1' | cut -f1,2 >> badloci
23
24 ## 利用VCFtools进行过滤
25 vcftools --vcf DP3g95maf05.recode.vcf --exclude-positions badloci --recode --recode-INFO-all --out DP3g95p5maf05

SNP过滤教程（一）