一段时间以来，一直困惑于这个HLA填充参考怎么使用，直到看到了这篇论文课题组的博士论文《中国汉族人白癜风 MHC 区域精细定位研究》。文中较详细描述了怎样使用这个参考，具体过程如下：

1.下载数据集

数据集的原始数据在这里：http://gigadb.org/dataset/100156

只提供了两个文件，感觉和其他的参考数据集的所不同，缺少好几个文件的样子，我也是一直这样困惑，以为作者故意公开信息不全，为了自己的博硕毕业考虑？后来才发现这两个文件已经包含了全部的文件信息。

#下载这两个文件并解压和重命名
wget ftp://parrot.genomics.cn/gigadb/pub/10.5524/100001_101000/100156/HAN.MHC.reference.panel.bgl.gz
gunzip HAN.MHC.reference.panel.bgl.gz
wget ftp://parrot.genomics.cn/gigadb/pub/10.5524/100001_101000/100156/HAN.MHC.reference.panel.markers

2.参考数据集的处理

核心就是这段代码啦，还是挺有用的，自己处理也是可以的，不过有现成的工具就更好啦！

“

将 bgl.phased 文件转换为 PLINK 软件的 ped 和 map 格式数据；然后，再进一步用 PLINK 软件将上述数据转成二进制的 bed、bim 和 fam 格式文件，再计算每个位点的等位基因频率，得到 FRQ.frq 文件。最终得到 SNP2HLA 软件要求的 MHC区 域 参 考 数 据 集 的 所 有 文 件 ， 即 含 有 10,689 例 样 本 的 MHC 区 域（chr6:28,477,833~33,448,188bp）29,948 个位点信息的 markers、bgl.phased、bed、bim、fam 和 FRQ.frq 六个文件，其中的位点包括 HLA 等位基因、HLA 基因对应的氨基酸位点、SNPs 和 Indels 四种类型。

#bgl to ped map 
#!/usr/bin/perl 
use 5.010; 
open IN, "$ARGV[0]"; 
%hash; 
@sample; 
@sex; 
$famid=readline IN; 
@famid=split/s+/,$famid; 
$nn=1; 
$mm=($#famid-1)/2; 
for($nn..$mm){ 
  push (@sample, $famid[2*$_+1]); 
} 
readline IN; 
readline IN; 
readline IN; 
$gender=readline IN; 
@gender=split/s+/,$gender; 
$nn=1; 
$mm=($#gender-1)/2; 
for($nn..$mm){ 
  push (@sex, $gender[2*$_+1]); 
} 
for(0..$#sample){ 
  $sexid{$sample[$_]}="$sex[$_]"; 
} 
 
@snp=(); 
while(<IN>){ 
  $line=$_; 
  @line=split/s+/,$line; 
  $nn=($#line-1)/2; 
  push (@snp,$line[1]); 
  for(1..$nn){ 
   $hash{$famid[$_*2].$line[1]}="$line[$_*2]t$line[$_*2+1]"; 
  } 
} 
say "@snp"; 
close IN; 
#打印 map 文件 
open IB,">map.txt"; 
foreach my $snp (@snp){ 
  chmop; 
  my @map = qw (0); 
  push (@map,$snp,0,0); 
  say IB "@map"; 
} 
#打印 ped 文件 
open IC,">ped.txt"; 
foreach my $sam (@sample){ 
  chmop; 
  my @new = (); 
  push (@new,$sam,$sam,0,0,$sexid{$sam},1); 
  foreach my $snp (@snp){ 
    chmop; 
   if(defined($hash{$sam.$snp})){        
          push (@new,$hash{$sam.$snp}); 
   }else{ 
    $null=null; 
    push (@new,$null,$null); 
   } 
  } 
say IC "@new"; 
} 

perl bgl2ped.pl HAN.MHC.reference.panel.bgl 系统资源消耗还是挺大的， 一般的个人电脑是hold不住的，得上服务器。运行完成后就获得了map.txt和ped.txt两个文件，生成后重命名到你喜欢的名字就好啦！

mv ped.txt ped.ped
mv map.txt ped.map
plink --file ped --make-bed --out HAN.MHC
plink --bfile HAN.MHC --freq --out HAN.MHC

到这里就获得了参考的全部文件啦，下面需要处理的就是处理你的文件以适应这个参考了。根据nature那篇论文，参考是基于hg18的，SNP2HLA只识别SNP名，不管位置的，所以我们只要把SNP名字改成完全一致的就好啦。

3. 调整数据以适应参考

1）坐标转换

一般我们的芯片是基于hg38/hg19的，所以首先就是把参考中的SNP位置转换到我们的位置。Lift Genome Annotations (ucsc.edu)我是用这个网页工具解决的，3万位点左右还是OK的。

2）调整bim文件

这里我用的是自己写的一个简单python脚本解决的，详细如下：

# let snp_name suit for HAN.MHC ref

# get dict
dic = {}
i = 0
maker = ''
with open('dict_hg19-HG18_SY.txt') as f1:
 for line in f1:
  if i ==0:
   i += 1
   continue
  else:
   if line.strip() != "":
    marker = line.strip().split('t')[5]
    dic[marker] = ''
    dic[marker] = line.strip().split('t')[0]

 
j = 0
fout = open('changed.bim',"w")
with open('8k.bim') as f:
 for line in f:
  #print(line.strip().split('t')[0])
  #break
  if line.strip().split('t')[0] !='6':
   fout.write(line)
  else:
   if line.strip() != "":
    snp = line.strip().split('t')[1]
    if snp in dic.keys():
     line = line.strip().split(snp)[0] + dic[snp] + line.strip().split(snp)[1] + 'n'
     print(line)
     fout.write(line)
     #break
     j += 1
    else:
     fout.write(line)
print(j)
fout.close()

一般不填充的芯片大概MHC区域大概有几千位点啦！

4.运行

发现基本上十几个样本要运行8个个小时左右的样子，这里我分配了160G的内存，实际看下来十几个样本需要30多G左右。

nohup ~/biosoft/SNP2HLA_package_v1.0.3/SNP2HLA/SNP2HLA.csh ./hla_16  ~/biodata/HAN.MHC/HAN.MHC 16_results ~/data_home/biosoft/SNP2HLA_package_v1.0.3/SNP2HLA/plink 160000 1000 &

5. 结果整理

这里编写了一个R脚本，方便简单提取结果，未填充成功的，多个结果的，均标记为了NA.

# ########################################
# ####Date 2021.12.25#####################
# ####Author ZJD #########################
# ####Version 1.09########################
# ##SNP2HLA结果计算脚本###################
# ########################################
library(tidyverse)
# 读取填充文件
hla_raw <- read.table('./16_results.bgl.phased', sep = ' ', header=TRUE)
# 预备两个结果文件，选择有用行列
hla.2digits.result <- hla_raw[c(1,4),-c(1,2)]
hla.4digits.result <- hla_raw[c(1,4),-c(1,2)]
# 去除多余行
hla_raw <- hla_raw[-c(1,2,3,4),]
# 找到含有HLA的行
hla_raw.2 <- hla_raw[grepl("*HLA*P*",hla_raw[,2]),]
# 提取基因座名
HLA_name <- hla_raw.2[,2] 
# 判断是否有结果
get_na_or_result <- function(result){
  if (length(result)>1) {
    result <- NA
  }
  result
}
# 获得一个基因座的2位和4位结果
get_hla_genotype <- function(hla_one_hap, HLA.gene){
  HLA.gene.2digits.result <- hla_one_hap[grepl(paste0(HLA.gene,'_[0-9][0-9]$'), 
                                               hla_one_hap[,1]),1]
  HLA.gene.2digits.result <- get_na_or_result(HLA.gene.2digits.result)
  if (length(HLA.gene.2digits.result)==0) {
    HLA.gene.2digits.result=NA
  }
  HLA.gene.4digits.result <- hla_one_hap[grepl(paste0(HLA.gene, 
                                                      '_[0-9][0-9][0-9][0-9]$'), 
                                               hla_one_hap[,1]),1]
  HLA.gene.4digits.result <- get_na_or_result(HLA.gene.4digits.result) 
  if (length(HLA.gene.4digits.result)==0) {
    HLA.gene.4digits.result=NA
  }
  HLA.one_gene.result <- list(HLA.gene.2digits.result=HLA.gene.2digits.result, 
                              HLA.gene.4digits.result=HLA.gene.4digits.result)
}
# 主程序，获得每个样本每个基因的分型
for (s in colnames(hla_result)[-c(1,2)]) {
  # 获得每个样本的结果
  hla_one_hap <- hla_raw.2[grepl("P",hla_raw.2[,s]),c("pedigree",s)]
  hla.gene.li <- c('HLA_A', 'HLA_C', 'HLA_B', 'HLA_DRB1', 'HLA_DQA1', 
                   'HLA_DQB1', 'HLA_DPA1', 'HLA_DPB1')
  for (HLA.gene in hla.gene.li) {
    HLA.one_gene.result <- get_hla_genotype(hla_one_hap, HLA.gene)
    hla.2digits.result[HLA.gene,s] <- HLA.one_gene.result$HLA.gene.2digits.result
    hla.4digits.result[HLA.gene,s] <- HLA.one_gene.result$HLA.gene.4digits.result
  }
}
# 文件写出
write.table(hla.2digits.result, 'hla.2digits.result.txt', quote=FALSE)
write.table(hla.4digits.result, 'hla.4digits.result.txt', quote=FALSE)