大家好，我是邓飞。
之前计划写群体结构三剑客的博文，写了两篇了：
今天介绍一下群体结构分析最常用的软件：admixture。注意，admixture需要在Linux中使用，不能在windows系统，windows的子系统Linux也是不能使用的。
软件介绍群体结构分析，一般使用的软件就是STRUCTURE，但是STREUTURE运行速度极慢，admixture凭借其运算速度，成为了主流的分析软件。下面介绍一下admixture的使用方法。 官方网址：http://dalexander./admixture/download.html 软件不太好下载，官网不太好打开，官网上面一共四个文件：公众号回复：admixture，获得上面四个文件的下载链接。另外，还可以使用conda进行软件安装.
安装完成之后, 键入admixture, 显示如下信息, 说明安装成功 (base) [dengfei@localhost test]$ admixture**** ADMIXTURE Version 1.3.0 ******** Copyright 2008-2015 ******** David Alexander, Suyash Shringarpure, ******** John Novembre, Ken Lange ******** ******** Please cite our paper! ******** Information at www.genetics.ucla.edu/software/admixture ****
Usage: admixture <input file> <K>See --help or manual for more advanced usage.
1，示例数据解压下载之后, 上传到Linux系统，然后解压: tar zxvf hapmap3-files.tar.gz
查看解压后的文件: (base) [dengfei@localhost admixture]$ lshapmap3.bed hapmap3.bim hapmap3.fam hapmap3-files.tar.gz hapmap3.map
2 admixture支持的格式plink的bed文件或者ped文件 EIGENSTRAT软件的.geno格式
注意: 如果你的数据格式是plink的bed文件, 比如a.bed, 那么你应该包含a.bim, a.fam 如果你的数据格式是plink的ped文件, 比如b.ped, 那么你应该包括b.map
3 选择合适的分群数目k值
这里你要有一个k值, 如果你不知道你的群体能分为几个类群, 可以做一个测试, 比如从1~7分别分群, 然后看他们的cv值哪个小，用哪个k值。 4 运行k=3的admixture注意, 这里的名称为hapmap3.bed, 而不是hapmap3(不像plink那样不加后缀), 而且没有--file 参数, 直接加plink的bed文件
运算结果: (base) [dengfei@localhost admixture]$ admixture hapmap3.bed 3**** ADMIXTURE Version 1.3.0 ******** Copyright 2008-2015 ******** David Alexander, Suyash Shringarpure, ******** John Novembre, Ken Lange ******** ******** Please cite our paper! ******** Information at www.genetics.ucla.edu/software/admixture ****
Random seed: 43Point estimation method: Block relaxation algorithmConvergence acceleration algorithm: QuasiNewton, 3 secant conditionsPoint estimation will terminate when objective function delta < 0.0001Estimation of standard errors disabled; will compute point estimates only.Size of G: 324x13928Performing five EM steps to prime main algorithm1 (EM) Elapsed: 0.318 Loglikelihood: -4.38757e+06 (delta): 2.87325e+062 (EM) Elapsed: 0.292 Loglikelihood: -4.25681e+06 (delta): 1307623 (EM) Elapsed: 0.29 Loglikelihood: -4.21622e+06 (delta): 40582.94 (EM) Elapsed: 0.29 Loglikelihood: -4.19347e+06 (delta): 22748.25 (EM) Elapsed: 0.29 Loglikelihood: -4.17881e+06 (delta): 14663.1Initial loglikelihood: -4.17881e+06Starting main algorithm1 (QN/Block) Elapsed: 0.741 Loglikelihood: -3.94775e+06 (delta): 2310582 (QN/Block) Elapsed: 0.74 Loglikelihood: -3.8802e+06 (delta): 67554.63 (QN/Block) Elapsed: 0.852 Loglikelihood: -3.83232e+06 (delta): 47883.84 (QN/Block) Elapsed: 1.01 Loglikelihood: -3.81118e+06 (delta): 21138.25 (QN/Block) Elapsed: 0.903 Loglikelihood: -3.80682e+06 (delta): 4354.366 (QN/Block) Elapsed: 0.85 Loglikelihood: -3.80474e+06 (delta): 2085.657 (QN/Block) Elapsed: 0.856 Loglikelihood: -3.80362e+06 (delta): 1112.588 (QN/Block) Elapsed: 0.908 Loglikelihood: -3.80276e+06 (delta): 865.019 (QN/Block) Elapsed: 0.852 Loglikelihood: -3.80209e+06 (delta): 666.66210 (QN/Block) Elapsed: 1.015 Loglikelihood: -3.80151e+06 (delta): 579.4911 (QN/Block) Elapsed: 0.908 Loglikelihood: -3.80097e+06 (delta): 548.15612 (QN/Block) Elapsed: 0.961 Loglikelihood: -3.80049e+06 (delta): 473.56513 (QN/Block) Elapsed: 0.855 Loglikelihood: -3.80023e+06 (delta): 258.6114 (QN/Block) Elapsed: 0.959 Loglikelihood: -3.80005e+06 (delta): 179.94915 (QN/Block) Elapsed: 1.011 Loglikelihood: -3.79991e+06 (delta): 146.70716 (QN/Block) Elapsed: 0.903 Loglikelihood: -3.79989e+06 (delta): 13.194217 (QN/Block) Elapsed: 1.01 Loglikelihood: -3.79989e+06 (delta): 4.6074718 (QN/Block) Elapsed: 0.85 Loglikelihood: -3.79989e+06 (delta): 1.5001219 (QN/Block) Elapsed: 0.851 Loglikelihood: -3.79989e+06 (delta): 0.12891620 (QN/Block) Elapsed: 0.851 Loglikelihood: -3.79989e+06 (delta): 0.0018298321 (QN/Block) Elapsed: 0.851 Loglikelihood: -3.79989e+06 (delta): 4.33805e-05Summary:Converged in 21 iterations (21.788 sec)Loglikelihood: -3799887.171935Fst divergences between estimated populations: Pop0 Pop1 Pop0 Pop1 0.163 Pop2 0.073 0.156 Writing output files.
会生成两个文件:P,Q
5 运算admixture时, 添加误差信息在命令汇总增加一个参数:-B, 速度会变慢. admixture -B hapmap3.bed 3
会生成三个文件:P,Q,Se 6 如果你的SNP数据量很大, 跑的很慢在选择最佳k值时, 可以将SNP分为子集, 比如50k snp分为50个子集, 每个子集1k SNP, 那么根据子集选择最佳K值, 然后根据最佳的K值去跑所有的SNP 7 多线程如果你有多个线程(processors), 可以添加参数-jn, n为线程的个数, 比如你想用4个线程跑: admixture hapmap3.bed 3 -j 4
8 如何选择合适的K值可以同时运行多个程序, 每个程序不同的k值, 比如, 想要k值选择1,2,3,4,5, 可以写为: for K in 1 2 3 4 5; do admixture --cv hapmap3.bed $K | tee log${K}.out; done
这样跑完之后, 会生成几个out文件, hapmap3.1.P hapmap3.1.Q hapmap3.2.P hapmap3.2.Q hapmap3.3.P hapmap3.3.Q hapmap3.4.P hapmap3.4.Q hapmap3.5.P hapmap3.5.Q log1.out log2.out log3.out log4.out log5.out
使用grep查看*out文件的cv error(交叉验证的误差)值:
(base) [dengfei@localhost admixture]$ grep -h CV *outCV error (K=1): 0.55248CV error (K=2): 0.48190CV error (K=3): 0.47835CV error (K=4): 0.48236CV error (K=5): 0.49001
可以看出, K=3时, CV error最小 9 如何绘制Q的图表使用R语言 ta1 = read.table("hapmap3.3.Q")head(ta1)barplot(t(as.matrix(ta1)),col = rainbow(3), xlab = "Individual", ylab = "Ancestry", border = NA)
10 我需要根据LD去掉一些SNP么?admixture不考虑LD的信息, 如果你想这么做, 可以使用plink 比如, 这里根据plink 的bed文件进行LD的筛选 plink --bfile hapmap3 --indep-pairwise 50 10 0.1
这里的过滤参数的意思是: 50, 滑动窗口是50 10, 每次滑动的大小是10 0.1 表示R方小于0.1
然后将其转化为bed文件: plink --bfile hapmap3 --extract plink.prune.in --make-bed --out prunedData
结果输出过滤后的文件为: prunedData.bed prunedData.bim prunedData.fam
使用过滤后的文件, 从新运行admixture: for K in 1 2 3 4 5 ; do admixture --cv prunedData.bed $K | tee log${K}.out;done
(base) [dengfei@localhost ld-test]$ grep -h CV *outCV error (K=1): 0.52305CV error (K=2): 0.48847CV error (K=3): 0.48509CV error (K=4): 0.49404CV error (K=5): 0.49828
可以看出K=3, cv error最小, 因此选择k=3 作图: ta1 = read.table("prunedData.3.Q")head(ta1)barplot(t(as.matrix(ta1)),col = rainbow(3), xlab = "Individual", ylab = "Ancestry", border = NA)
|
