近期再一次回顾和学习了下 SNP 芯片 HLA 填充，发现近两年有几个新的软件出来，文章发表的也不错，在这里分享一下！

CookHLA^[1]

与以前的方法相比，CookHLA 大大提高了插补的准确性，包括通过实施多项更改的前身 SNP2HLA。首先，为了提高准确性和效率，我们采用了最近发布的隐马尔可夫模型（Beagle v4 和 v5）。其次，为了进一步提高准确性，我们开发了一种可以解释 HLA 基因外显子局部变异的程序。高度多态性外显子（I 类中的外显子 2/3/4 和 II 类中的 2/3）是关键区域，其序列可以决定大多数 4 位等位基因。在我们的方法中，我们通过将标记集局部放置在每个高度多态的外显子中来重复插补，并使用重复分析的共识后验概率进行最终预测（图 B）。第三，为了进一步提高准确性，我们从数据中自适应地学习 MHC 的遗传图谱。该图谱信息使我们能够解释 MHC 内特定于数据的 LD 结构，与使用公开的遗传图谱相比，这提高了插补的准确性（图 C）。个人测试发现它的缺点是多了一步，增加了参考生成的难度和出错的可能性。

DEEP-HLA^[2]

DEEP*HLA 是一种基于 Python 中实现的多任务卷积神经网络的 HLA 等位基因插补方法。

DEEP*HLA 接收预分期 SNV 数据并输出二元 HLA 等位基因的基因型剂量。

在 DEEP*HLA 中，HLA 插补在两个过程中形成：

（1） 使用 HLA 参考面板进行模型训练

（2）使用经过训练的模型进行插补。最近大火的 chatGPT 让每个人了解了 AI 正在成为我们的好(取)帮(代)手(者)，有人说打败我们的不是 AI，是使用 AI 的人，所以用起这个 AI 的 HLA 工具吧！个人体验，软件安装依赖有问题，这也是开源软件的弊端啦！

HLA-TAPAS^[3]

HLA-TAPAS（HLA-Type at Protein for Association Studies）是一个以 HLA 为中心的管道，可以处理 HLA 参考面板构建（MakeReference），HLA 插补（SNP2HLA）和 HLA 关联（HLAassoc）。

简而言之，主要更新包括

（1） 使用 PLINK-v1.9 代替 v1.07;

（2） 使用 BEAGLE v4.1 代替 v3 进行定相和插补;和

（3） 包括自定义 R 脚本，用于在多个祖先中执行关联和精细映射分析。

个人体会这个软件是一个流程，比较全面的解决方案，还未试用！

Michigan Imputation Server^[4]

多种族 HLA 小组由五个全球种群的 36，586 个单倍型组成。我们以 two-field (four-digit) and G-group 分辨率发布了该面板。

个人感觉这个的缺点是多数是欧美人，中国人的数据比较少。

PGG.MHC–人类主要组织相容性复合体基因数据库和分析平台

这个前面提过，这里不再重复！PGG.MHC–人类主要组织相容性复合体基因数据库和分析平台

参考资料