使用SnpSift把vcf文件的变异位点注释到clinvar数据库
遗传变异的数据库注释非常简单,就是从数据库里面下载记录文件,然后根据坐标对应一下即可,甚至很多成熟的工具都可以自动下载数据库以及比对,就跟我们前面讲到的把vcf文件注释到dbSNP数据库的ID一样简单。我在多年前的直播我的基因组讲过很多了:
【直播】我的基因组64:用gwas来预测健康风险 【直播】我的基因组65:什么性状一定是由单个基因简单决定的? 【直播】我的基因组66:大多数性状往往是多个基因控制的 【直播】我的基因组67:clinvar数据库 【直播】我的基因组68:看看哪些基因的突变较多,哪些较少 【直播】我的基因组69:一个标准的基因检测报告目录
首先熟悉 clinvar 数据库
ClinVar是NCBI主办的与疾病相关的人类基因组变异数据库。它的强大在于整合了dbSNP、dbVar、Pubmed、OMIM等多个数据库在遗传变异和临床表型方面的数据信息,形成一个标准的、可信的遗传变异-临床相关的数据库。
clinvar的注释,可以寻找出对应的基因变异信息,发生频率,表型,临床意义,评审状态以及染色体位置等。
首先,我们去clinvar数据库的ftp里面找到数据库文件,然后下载最新版文件,我这里用的是shell命令:
## ftp://ftp.ncbi.nlm.nih.gov/pub/clinvar/
mkdir -p ~/annotation/variation/human/clinvar
cd ~/annotation/variation/human/clinvar
wget ftp://ftp.ncbi.nlm.nih.gov/pub/clinvar/disease_names
# mkdir vcf_GRCh37 && cd vcf_GRCh37
mkdir vcf_GRCh38 && cd vcf_GRCh38
wget ftp://ftp.ncbi.nlm.nih.gov/pub/clinvar/vcf_GRCh38/clinvar_20200706.vcf.gz
wget ftp://ftp.ncbi.nlm.nih.gov/pub/clinvar/vcf_GRCh38/clinvar_20200706.vcf.gz.tbi
这个 ClinVar数据库里面的变异位点记录更新还是蛮快的。
然后熟悉SnpSift 软件
SnpSift 软件非常强大,推荐大家仔细阅读它的说明书,http://snpeff.sourceforge.net/protocol.html
Example 1: Coding variants Example 2:Software Integration Example 3: Non-Coding variants Example 4: Sequencing data analysis Example 5: Filter variants (dbSnp) Example 6: Custom annotations
如果要使用SnpSift把vcf文件的变异位点注释到clinvar数据库,我们需要使用的命令示例是:
java -Xmx1g -jar ~/biosoft/snpEff/snpEff/SnpSift.jar \
annotate \
-v ~/annotation/variation/human/clinvar/clinvar_20200706.vcf.gz \
new.filter.sort.vcf \
> new.clinvar.vcf
一般来说,注释比例并不会太高,因为clinvar数据库记录的位点很有限,如下:
Total annotated entries : 6231
Total entries : 54972
Percent : 11.33%
如果选择其它数据库,比如dbSNP、exac、gnomad注释比例会高很多。
解读clinvar数据库注释结果
实际上,没办法解读,一般来说, WES数据分析结果有10万个变异位点,其中2万左右在外显子区域,那么就会有2千个左右的位点被clinvar注释到,这个数量级仍然是很可观的。
我们必须要有先验知识,比如知道这个WES数据来源的个体是患有某种疾病的,比如,视网膜变性相关疾病就可以搜索:
"Pigmentary retinal degeneration"
"Rod-cone dystrophy"
"Retinitis pigmentosa"
如果你发现搜索到的突变,都是Benign,没有Pathogenic,就比较麻烦,就需要根据ACMG指南分类分析,重点看:
1、PM1: 位于热点突变区域, 和/或位于已知无良性变异的关键功能域(如酶的活性位点).
2、PM2: ESP 数据库、千人数据库、 EXAC 数据库中正常对照人群中未发现的变异(或隐性遗传病中极低频位点)
3、PP1: 突变与疾病在家系中共分离(在家系多个患者中检测到此变异). 注: 如有更多的证据, 可作为更强的证据.
4、PP3: 多种统计方法预测出该变异会对基因或基因产物造成有害的影响, 包括保守性预测、进化预测、剪接位点 影响等. 注: 由于做预测时许多生物信息学算法使用相同或非常相似的输入, 每个算法不应该算作一个独立的标准.
如果这样缩小范围仍然是位点很多,可以直接缩小到基因,比如查询 "Retinitis pigmentosa" 这个疾病相关基因就37个,这样位于这些基因的突变就很少了,从这里面挑选那些有害突变,而且人群频率低的。但是其实有一个问题,既然已经局限于具体的疾病相关基因了,那么为什么还有做WES呢,直接上一个panel不就好了吗?见:家系外显子研究最后反正要定位到已知疾病相关基因
关于ACMG指南分类分析,建议看Germline pathogenic variants of 11 breast cancer genes in 7,051 Japanese patients and 11,241 controls文章的材料与方法部分,主要是很多细致的探索,很有意思。
另外推荐clineff软件
主页是:http://www.dnaminer.com/clineff.html
虽然我没有使用过它,但是从软件名字来看,很明显它更专业,适合做临床级别基因检测数据的变异位点注释。而且居然还收费?