本文关键词：geo数据库如何进行多态性分析

干这行七年了，说实话，每次看到新人拿着几百个G的原始数据问我“老师，这咋跑多态性啊”，我就想笑。不是笑他们笨，是觉得现在的教程太“完美”了，完美得让人不敢信。今天我不整那些虚头巴脑的理论，就聊聊我在实验室里踩过的坑，以及我是怎么把geo数据库里的SNP和Indel给扒拉出来的。

很多人一上来就想着用GATK，觉得那是金标准。但在geo数据库里，你拿到的往往是已经处理过的数据，或者是不同批次、不同平台混在一起的数据。这时候，直接套用标准流程，大概率会报错报到你怀疑人生。

第一步，得先看清你手里到底有啥。别急着下载，先去SRA或者GEO的页面扒一扒元数据。看看是WGS（全基因组测序）还是WES（外显子组），或者是芯片数据。这三者处理逻辑完全不一样。我有个朋友，之前拿芯片数据去跑WGS的流程，结果出来的VCF文件大得离谱，里面全是假阳性，因为芯片根本测不到那些低频变异。所以，确认数据类型是第一步，这一步省了，后面能累死你。

第二步，下载和格式转换。geo的数据有时候散落在不同的附件里，有的还是.sra格式。这时候得用fasterq-dump或者prefetch工具。这里有个小坑，fasterq-dump默认是单端读取，如果你做的是双端测序，记得加--split-3参数，不然读出来的数据对不上，后续比对全是乱码。我有一次偷懒没加这个参数，比对率只有60%，排查了两天才发现是下载参数的问题。这种低级错误，真的别犯。

第三步，比对和变异检测。这是最耗时的环节。如果你用BWA-MEM比对，记得先建索引。然后就是调用变异，这里我建议用FreeBayes或者GATK的HaplotypeCaller。但是，geo数据库里的样本往往没有对应的对照样本（Normal），这时候做体细胞变异检测就很麻烦，容易把生殖系变异当成肿瘤突变。所以，如果是做群体多态性分析，最好找同种属的参考基因组，或者使用dbSNP数据库来过滤常见多态性位点。

第四步，过滤和注释。跑出来的VCF文件里，肯定有很多垃圾数据。这时候要用VQSR或者简单的硬过滤。比如，过滤掉QUAL值小于30的位点，或者DP（深度）小于10的位点。我一般喜欢用bcftools + filter来写脚本，虽然刚开始写脚本有点头疼，但一旦写好了，处理几百个样本也就是一杯咖啡的时间。注释的话，SnpEff是个不错的选择，它能告诉你这个变异是在编码区还是非编码区，对哪个氨基酸有影响。

最后，结果可视化。别光看表格，用IGV打开几个典型的变异位点看看。有时候你会发现，虽然软件报了这个变异，但在IGV上看，reads支持率很低，或者比对质量很差。这时候，人工复核一下，能帮你排除不少假阳性。

说实话，geo数据库如何进行多态性分析，并没有一个万能的一键脚本。每个数据集都有它的脾气。你得学会看日志，学会报错信息。有时候，一个小小的参数调整，就能让结果天差地别。

我也不是每次都能成功。上个月我跑一个肺癌数据集，结果发现所有样本的杂合子比例都异常高，后来发现是参考基因组版本选错了，用的hg19，但数据是hg38构建的。这种坑，只有亲自踩了才知道有多疼。所以，别怕报错，报错信息里往往藏着真相。

希望这些经验能帮到你。如果有啥具体问题，欢迎在评论区留言，咱们一起讨论。毕竟，这行就是这样，大家一起折腾，才能进步。记住，多态性分析不仅仅是跑代码，更是对数据的理解和敬畏。