大家好，我是邓飞。
今天星球的小伙伴问了一个问题：
我现在在做GWAS分析，现在已经找到性状关联的SNP位点，下一步我如何根据position 找到基因呢？
关于基因注释，之前写过一些博客，可以用到的软件有：ANNOVAR、Bedtools，今天回答了这个问题，感觉excel也可以做基因注释了。
下面，对我的回答进行进一步的阐述。
1. GWAS分析
GWAS分析，之前写过一个Cookbook，包括方方面面的内容了，如果是小白，推荐一遍看配套的视频，一遍敲代码学习：
录制了配套的视频教程，前面的数据下载、软件安装、环境配置等相关视频免费观看，后面的付费观看。对于想要快速学习的小白，视频+代码+数据+实操+技术支持，是比较快的一条路。
（扫码查看视频教程）
2，显著SNP位点
做完GWAS分析后，确定阈值，然后小于阈值的位点都是显著性位点，显著性位点最重要的两个信息：
-
染色体
-
物理位置
有时候还包括snp的名称，但是不是必填项，只需要上面两个信息，就可以知道显著snp在基因组上的位置了。
3，配套基因组的gff文件
一般，有基因组数据的物种，有基因组的版本，还有配套的gff或者gff3格式的文件，文件的内容里面有：
-
染色体
-
基因起始位置
-
基因终止位置
-
基因功能描述
-
......
类似：
4，计算LD衰减距离
为何要计算LD衰减距离呢，是为了知道显著snp代表的区间，因为存在连锁，所以衰减距离就是确定snp所代表的有效区间，可以代表这个有效区间的变异。虽然snp不在基因上，但是如果snp的衰减距离区间内（比如上下50kb）包含基因，那也可以说明这个基因是显著影响性状的。
所以，计算了LD衰减距离，显著性snp的信息，就变成了：
-
染色体
-
有效区间起始位置
-
有效区间终止位置
5，用excel注释显著性snp
我们把gff文件，简化一下，整理成excel格式：
怎么用excel表格呢，可以手动查看，也可以编写一个函数。
话说，上面的显著性位点，一共就6个SNP，手动搞就行了。
第一个snp，区间是1染色体，5-15，这个区间有：gene1
第二个snp，区间是1染色体，10-20，这个区间有：gene2，不是完全包括，但是有交集，也算是
第三个snp，没有基因
第四个snp，gene4
第五个snp：没有基因
第六个snp：没有基因
所以这些snp，一共注释的基因有：gene1, gene2, gene4
6，我有1000个显著性位点，谢谢
如果位点很多，这就需要用到软件了：bedttols
「换到基因注释的领域，看一下相关需求：」
-
1，显著性的SNP位点，取上下游50k的位点，作为候选的区间
-
2，将候选区间有基因的，匹配到SNP的右边
「处理注意：」
-
1，显著SNP在上下游区间时，可能会有交叉，所以要先合并（merge）
-
2，匹配基因时，一个SNP区间可能会有多个基因
1. 数据描述
「SNP区间文件：」
这里，提取显著SNP的区间，提取三列信息：染色体，开始位置，结束位置：
共有6个SNP区间，其中第一个和第二个有重合，第五个和第六个有重合。
` cat snp_infor.ped ``chr1 5 15 ``chr1 10 20 ``chr1 30 40 ``chr1 80 90 ``chr1 110 120`
「基因区间文件：」
共有5个基因区间文件，分别是：染色体，开始位置，终止位置，基因名称。
` cat gene_infor.ped ``chr1 1 14 gene1 ``chr1 17 19 gene2 ``chr1 45 82 gene3 ``chr1 88 93 gene4`
2. 提取每个SNP上面的基因
「需求：」
-
每个SNP一行
-
如果有基因在其区间，放到右边，如果没有基因，返回空
-
如果一个SNP区间对应多个基因，写成多行
代码：
-
intersect，交集
-
-a，第一个位置信息表
-
-b，第二个位置信息表
-
-loj，以第一个为基准，返回结果
结果可以看到，第二个SNP区间，对应两个基因，写成了两行。第三个SNP区间没有对应基因，用-1表示占位。共返回8行信息。
3. 返回有基因信息的SNP
如果不想要占位符，只想返回有基因的SNP信息，可以命令如下：
bedtools intersect -a snp_infor.ped -b gene_infor.ped -wa -wb
结果：
`$ bedtools intersect -a snp_infor.ped -b gene_infor.ped -wa -wb ``chr1 5 15 chr1 1 14 gene1 ``chr1 10 20 chr1 1 14 gene1 ``chr1 10 20 chr1 17 19 gene2 ``chr1 80 90 chr1 45 82 gene3`
可以看到，将没有匹配到基因的SNP删除了。
上面的信息中，有些SNP匹配到了多个基因，也就是基因是有重复的。
-
如果我们想看每个SNP匹配的基因情况，可以用上面的结果
-
如果我们想看一下共有多少无重复的基因匹配，就需要对SNP区间先合并
4. 合并SNP区间再匹配
合并命令：
bedtools merge -i snp_infor.ped >snp_infor_merge.ped
原始数据：
`$ cat snp_infor.ped ``chr1 5 15 ``chr1 10 20 ``chr1 30 40 ``chr1 80 90 ``chr1 110 120`
合并的结果：
`$ cat snp_infor_merge.ped ``chr1 5 20 ``chr1 30 40 ``chr1 80 90`
然后和基因的信息进行合并：
`$ bedtools intersect -a snp_infor_merge.ped -b gene_infor.ped -wa -wb ``chr1 5 20 chr1 1 14 gene1 ``chr1 5 20 chr1 17 19 gene2 ``chr1 80 90 chr1 45 82 gene3`
5. 查看每个SNP区间基因的个数
结果可以用2中，统计一下个数，也可以用bedtools的-c参数：
`$ bedtools intersect -a snp_infor.ped -b gene_infor.ped -c ``chr1 5 15 1 ``chr1 10 20 2 ``chr1 30 40 0 ``chr1 80 90 2 ``chr1 110 120 0`
结果可以看到，SNP1有一个基因，SNP2有2个基因，SNP3没有基因......
6. 基因注释的不同玩法
把上面SNP的区间，作为显著性SNP上下游的信息，把基因的信息作为gff基因文件，就可以进行基因注释了！
上面的玩法都可以做。
「注意，将gff格式整理为：染色体，开始位置，结束位置，基因信息；
snp区间整理为：染色体，开始区间，结束区间」
可以实现的功能：
-
每个SNP区间内的基因
-
每个SNP全进内基因的个数
-
合并SNP区间内的基因
-
合并SNP区间内基因的个数