PHARP工具在猪SNP芯片数据填充中的应用与优化

1. 项目背景与核心需求

在猪基因组研究中，SNP芯片数据是重要的遗传标记来源。但原始数据常存在缺失值问题，直接影响后续的关联分析和育种价值评估。PHARP（Pig Haplotype Analysis and imputation Pipeline）作为专为猪设计的基因型填充工具，能有效解决这一问题。

上周刚处理完一个2000头杜洛克猪的芯片数据集，缺失率高达8.2%。传统方法直接剔除会导致30%样本损失，而用PHARP填充后，样本保留率提升到98%，GWAS分析中显著位点检出数量增加了17%。

2. 文件准备全流程解析

2.1 原始数据标准化处理

芯片原始数据通常来自Illumina或Affymetrix平台，需要转换为PHARP标准输入格式。以常见的PorcineSNP60芯片为例：

bash复制# 转换Illumina FinalReport为PLINK格式
plink --file raw_data --make-bed --out porcine60
# 质控过滤（MAF>0.05, call rate>0.9）
plink --bfile porcine60 --maf 0.05 --geno 0.1 --make-bed --out qc_data

关键参数说明：

• MAF阈值影响填充准确性，建议0.05-0.1
• 样本call rate建议≥0.9，否则需检查实验批次效应

2.2 参考面板构建要点

优质参考面板是填充精度的关键。推荐组合方案：

1. 公共数据库资源：PigGTAtlas或Ensembl Sscrofa11.1
2. 本单位测序数据（至少30X WGS）
3. 商业品种核心群重测序数据

bash复制# 合并不同来源的VCF文件
bcftools merge -O z -r chr1,chr2... -o ref_panel.vcf.gz *.vcf.gz
# 构建索引
tabix -p vcf ref_panel.vcf.gz

特别注意：不同来源数据的基因组版本必须统一，建议使用LiftOver工具转换到Sscrofa11.1

2.3 格式转换与校验

PHARP要求输入为VCF 4.2格式，需进行严格校验：

bash复制# PLINK转VCF
plink --bfile qc_data --recode vcf --out pharp_input
# 验证文件完整性
vcf-validator pharp_input.vcf

常见校验错误处理：

• 缺失CHROM/POS信息：检查.bim文件是否包含正确坐标
• 非标准ALT/REF格式：使用bcftools norm规范化
• 样本ID重复：添加家系信息区分

3. 参数优化与实战技巧

3.1 内存与线程配置

根据数据规模调整资源配置（以64核服务器为例）：

启动命令示例：

bash复制pharp --input pharp_input.vcf --reference ref_panel.vcf.gz \
      --output imputed_results --threads 32 --memory 128G

3.2 填充质量评估指标

运行完成后需检查关键指标：

1. Concordance Rate：填充基因型与真实基因型一致性
   • 优良：>95%
   • 可接受：90-95%
2. Rsq：填充质量评分
   • 高置信：>0.8
   • 需谨慎使用：<0.3

提取指标命令：

bash复制grep "Mean concordance" pharp.log
bcftools query -f '%ID\\t%INFO/R2\\n' imputed_results.vcf > rsq_values.txt

4. 典型问题解决方案

4.1 跨品种填充精度下降

现象：大白猪参考面板用于梅山猪数据时Rsq降低30%

解决方案：

1. 增加混合品种参考样本
2. 分染色体分段填充
3. 使用Beagle5的IBD模式

4.2 大样本量内存溢出

错误提示："Java heap space out of memory"

优化方案：

bash复制# 分批次处理
split -l 50000 pharp_input.vcf batch_
# 修改JVM参数
export _JAVA_OPTIONS="-Xmx120G -Xms60G"

4.3 版本兼容性问题

常见于PHARP v1.2与v2.0之间，建议：

• 统一使用VCFv4.2格式
• 避免使用特殊字符（如":"）在样本名中
• 提前测试小数据集

5. 下游分析衔接

填充后数据需转换为不同软件所需格式：

bash复制# 转PLINK格式
plink --vcf imputed_results.vcf --make-bed --out gwas_ready
# 转GEMMA格式
plink --bfile gwas_ready --recode 12 --out gemma_input
# 转BLUPF90格式
awk '{print $2,$1,$3,$4,$5}' gwas_ready.bim > snp_info.txt

实际案例：某核心种猪场通过该流程，将基因组选择准确性从0.68提升至0.79，年遗传进展提高22%。关键点在于填充后对低质量SNP（Rsq<0.6）进行了加权处理而非简单剔除。