外显子测序 - 癌症突变数据分析

基本概念

• 外显子测序：外显子测序是指利用序列捕获技术将全基因组外显子区域DNA捕捉并富集后进行高通量测序的基因组分析方法。是一种选择基因组的编码序列的高效策略，外显子测序相对于基因组重测序成本较低，对研究已知基因的SNP、Indel等具有较大的优势。
• GATK（The Genome Analysis Toolkit）：是Broad Institute开发的用于二代重测序数据分析的一款软件，是基因分析的工具集。
  bcftools
  deepvariant
  freebayes
  bgzip压缩后缀tbi
  染色体大的用csi后缀的index
  samtools faidx 建index

外显子分析流程

图片alt

使用GATK得到许多的 Call SNP和InDel，输出文件为VCF格式

使用ANNOVAR对VCF格式进行注释，选择与疾病相关的 SNP和InDel

千人基因组, dbSNP注释, AVSIFT, cosmic, esp6500si_all, Clinvar

图片alt

https://en.wikipedia.org/wiki/ANNOVAR#Types_of_functional_annotation_of_genetic_variants

突变数据文件

Variant Call Format

##fileformat=VCFv4.3
##fileDate=20090805
##source=myImputationProgramV3.1
##reference=file:///seq/references/1000GenomesPilot-NCBI36.fasta
##contig=<ID=20,length=62435964,assembly=B36,md5=f126cdf8a6e0c7f379d618ff66beb2da,species="Homo sapiens",taxonomy=x>
##phasing=partial
##INFO=<ID=NS,Number=1,Type=Integer,Description="Number of Samples With Data">
##INFO=<ID=DP,Number=1,Type=Integer,Description="Total Depth">
##INFO=<ID=AF,Number=A,Type=Float,Description="Allele Frequency">
##INFO=<ID=AA,Number=1,Type=String,Description="Ancestral Allele">
##INFO=<ID=DB,Number=0,Type=Flag,Description="dbSNP membership, build 129">
##INFO=<ID=H2,Number=0,Type=Flag,Description="HapMap2 membership">
##FILTER=<ID=q10,Description="Quality below 10">
##FILTER=<ID=s50,Description="Less than 50% of samples have data">
##FORMAT=<ID=GT,Number=1,Type=String,Description="Genotype">
##FORMAT=<ID=GQ,Number=1,Type=Integer,Description="Genotype Quality">
##FORMAT=<ID=DP,Number=1,Type=Integer,Description="Read Depth">
##FORMAT=<ID=HQ,Number=2,Type=Integer,Description="Haplotype Quality">
#CHROM POS      ID         REF   ALT    QUAL  FILTER   INFO                             FORMAT       NA00001         NA00002          NA00003
20     14370    rs6054257  G     A      29    PASS    NS=3;DP=14;AF=0.5;DB;H2           GT:GQ:DP:HQ  0|0:48:1:51,51  1|0:48:8:51,51   1/1:43:5:.,.
20     17330    .          T     A      3     q10     NS=3;DP=11;AF=0.017               GT:GQ:DP:HQ  0|0:49:3:58,50  0|1:3:5:65,3     0/0:41:3
20     1110696  rs6040355  A     G,T    67    PASS    NS=2;DP=10;AF=0.333,0.667;AA=T;DB GT:GQ:DP:HQ  1|2:21:6:23,27  2|1:2:0:18,2     2/2:35:4
20     1230237  .          T     .      47    PASS    NS=3;DP=13;AA=T                   GT:GQ:DP:HQ  0|0:54:7:56,60  0|0:48:4:51,51   0/0:61:2
20     1234567  microsat1  GTC   G,GTCT 50    PASS    NS=3;DP=9;AA=G                    GT:GQ:DP     0/1:35:4        0/2:17:2         1/1:40:3

https://en.wikipedia.org/wiki/Variant_Call_Format

MAF Format

https://docs.gdc.cancer.gov/Data/File_Formats/MAF_Format/

下游分析

• 已知基因，了解基因在各个癌症中的突变情况
• 已知肿瘤，了解肿瘤中那些基因突变频率高
• 已知肿瘤，了解肿瘤中那些位点突变频率高
• 按临床分组，了解不同组之间突变频率

参考

• https://cancer.sanger.ac.uk/cosmic