software

Eagle2 实跑指南——参考面板定相后,为什么没有新增位点,怎样检查缺失与等位基因交换?

作者:发布于 2026-11-17约 11 分钟阅读
使用参考面板,不等于新增位点。六组对照,核对定相范围、缺失处理与格式差异。参考定相,只输出 480 个匹配位点,参考独有的 120 个位点并未新增。保留不等于定相,outputUnphased 留回目标独有记录,30 个基因型仍然没有相位。参数适用范围,允许交换后,SNP 保留、indel 仍被排除,VCF 缺失率过滤也需独立核查。

使用了参考面板,并不等于已经完成了参考位点填补。Eagle2 可以利用参考单倍型帮助目标样本定相,也可以补齐已有位点中的零星缺失,但不能仅凭这些行为,就把输出当成已经扩展到整个参考面板的填补结果。

本文实际安装并运行 Eagle 2.4.1,通过六组原创合成对照,核查目标独有位点、缺失基因型、单碱基与插入缺失的等位基因交换,以及不同输入格式下的过滤行为。读完之后,读者应能根据输出内容判断任务边界,而不是根据文件名里的“phased”或“imputed”猜测。

使用参考面板,不等于新增位点。六组对照,核对定相范围、缺失处理与格式差异。参考定相,只输出 480 个匹配位点,参考独有的 120 个位点并未新增。保留不等于定相,outputUnphased 留回目标独有记录,30 个基因型仍然没有相位。参数适用范围,允许交换后,SNP 保留、indel 仍被排除,VCF 缺失率过滤也需独立核查。
六组对照,核对定相范围、缺失处理与格式差异

一、固定环境,建立能检查来源的输入

本次实跑于二〇二六年十一月十七日完成,使用固定摘要的 Eagle2 容器,程序横幅显示 Eagle 2.4.1。这个版本名称与 Eagle2 算法名称并不冲突,前者是软件发行版本,后者用于区分定相算法。辅助压缩和索引使用 BCFtools 1.25。

软件与参数入口见官方使用说明,源码入口为作者仓库。安装包名称也需要核对,同名或近似名称的其他工具可能执行完全不同的任务。本文固定镜像中的命令为 eagle,帮助信息与运行日志一并保留。

教学数据包含八十个参考样本、三十个目标样本,参考面板有六百个位点。目标只保留其中四百八十个位点,再增加一个参考面板没有的位点,总计四百八十一行。另在人为选择的样本与位点组合中设置二百一十个缺失基因型。

为了检查等位基因处理,我们让第七个位点为普通双等位单碱基变异,第十一个位点为两种长度不同的等位基因。另一份对照目标文件交换这两个位点的参考与替代等位基因,并同步改写基因型编码。除这些指定变化外,其他数据保持一致。

下载原创脚本与实测结果后,在 Linux 或支持 Linux 容器的环境运行下面命令。输入由脚本生成,没有真实个体资料,也没有下载真实参考面板。人工片段结构仅用于核验软件规则,不能用于推断某个人群的相位准确率。

python3 194-eagle2/run.py output-eagle2

二、先数清目标、参考和输出之间的关系

基准参考定相只输出四百八十个位点,正好对应目标与参考的匹配部分。目标独有的位点没有进入默认输出,而参考独有的一百二十个位点也没有被新增到目标结果中。

这个结果说明,参考面板在这里帮助已有匹配位点确定单倍型排列。它并没有自动完成后续专门的未检测位点填补。若完整流程还需要扩大目标位点集合,应明确安排相应填补步骤,并分别记录每一步的输入与输出范围。

eagle \
  --vcfRef=reference.vcf.gz \
  --vcfTarget=target.vcf.gz \
  --geneticMapFile=map.txt \
  --chrom=20 \
  --numThreads=2 \
  --outPrefix=baseline \
  --vcfOutFormat=v

本次参考与目标文件均经过压缩和索引,遗传图谱是人工编写的线性关系。真实数据应使用与基因组版本相匹配的图谱,并核对染色体命名。索引文件对应的是具体文件内容,重新排序或改写变异文件以后,应重新建立索引,不能把旧索引复制过去继续使用。

单纯比较行数仍然不够。两个文件可能恰好都有四百八十行,却不是同一组位点。因此脚本同时检查位点标识、等位基因和样本顺序。对真实项目,建议使用包含染色体、位置和等位基因的稳定变异键,而不是把位点名称当成绝对可靠的唯一标识。

三、关闭零星缺失填补,会改变什么?

基准运行把输入的二百一十个缺失基因型全部补齐。加入 noImpMissing 参数后,仍然输出四百八十个位点,但二百一十个缺失记录被保留下来。两次运行中,原来已经观测的非缺失基因型,其等位基因组合都没有改变。

这项对照把“位点是否进入结果”与“某个样本的缺失是否被推断”分开了。前者决定输出表有哪些行,后者决定这些行里的哪些单元格仍然未知。选择保留缺失并不会自动把参考独有位点加入输出,也不会自动保留所有目标独有记录。

运行方式 输出位点数 剩余缺失基因型 已知但未定相的基因型
参考定相基准 480 0 0
保留原始缺失 480 210 0
保留目标独有位点 481 0 30
不使用参考面板 481 0 0

表中“已知但未定相”不包括缺失记录。这样可以避免把保留的点号与真正的已知未定相基因型混为一谈。统计相位比例时,也应先定义分母,究竟是全部基因型、非缺失基因型,还是非缺失杂合基因型。不同分母下的百分比不能直接比较。

真实研究如果需要区分原始观测和推断结果,应提前保存缺失位置,而不是运行后再根据是否有竖线猜测来源。程序输出已经补齐时,这种来源信息未必能够仅凭最终基因型恢复。保持原始文件只读,并记录每步转换,有助于后续审阅。

四、保留目标独有位点,不等于这些位点也完成了定相

加入 outputUnphased 参数后,本次输出回到四百八十一个位点。但新增回来的那个目标独有位点仍然保留三十个未定相基因型,也就是每个目标样本各一个。

这项行为在结果交付中很容易被忽略。一份文件中可以同时包含已定相和未定相记录,不能因为文件由定相程序生成,就在后续所有分析里统一把它标记为完整单倍型数据。

如果下游步骤要求每个位点都已经定相,应明确检查并处理这些保留记录。如果目的只是让变异集合完整、不丢失目标特有信息,则可以保留,但需要在结果说明中标注其状态。两种需求都合理,关键是不要把保留记录的便利误写成推断已经完成。

本次不使用参考面板的对照则保留全部四百八十一个目标位点,并对它们进行队列内定相。这个结果不能用来证明不使用参考就更准确。两种模式使用的信息和处理范围不同,是否适合实际数据,还与队列规模、群体结构及参考面板代表性有关。

五、允许参考与替代等位基因交换,也有明确边界

错误表示对照同时交换了第七个单碱基位点和第十一个插入缺失位点的等位基因。默认参考定相输出四百七十八个位点,这两条记录都没有保留。

加入 allowRefAltSwap 参数以后,输出变为四百七十九个位点。普通单碱基位点恢复进入结果,而长度不同的那个位点仍未进入。这与软件对两类交换采取不同处理的规则一致,不能把参数名称理解为允许任何变异任意交换。

eagle \
  --vcfRef=reference.vcf.gz \
  --vcfTarget=swapped.vcf.gz \
  --geneticMapFile=map.txt \
  --chrom=20 --numThreads=2 \
  --allowRefAltSwap \
  --outPrefix=swap_allowed \
  --vcfOutFormat=v

插入缺失的表示可能受到位置和规范化方式影响,简单交换两个字符串未必等价于两个文件描述同一个事件。正式分析应先在相同参考版本上规范化变异,并核对对应关系。允许交换的参数无法替代这一准备过程。

还有一个值得保留的实跑细节。第七个位点恢复以后,输出仍以目标文件中的 G 为参考等位基因、A 为替代等位基因。不能因为程序内部允许匹配交换,就假定输出字段已经被统一改写成参考面板的 A、G 顺序。

脚本比较已观测基因型时,因此先把零和一解码为实际等位基因字符串,再比较无序组合。若直接比较数字编码,同一个真实基因型在两种等位基因顺序下可能被误判为变化。类似问题也会影响剂量方向和后续效应解释,必须连同等位基因标签一起传递。

六、缺失率过滤参数,不一定对当前输入格式生效

本次目标文件中,名为 v23 的教学位点有十个样本基因型缺失,占三十个目标样本的三分之一。我们在队列内 VCF 定相时明确设置每个位点最高缺失率为零点一,但这个位点仍然出现在结果中。

这里不是阈值算错,而是输入格式对应的行为不同。该缺失率筛选用于相应的 PLINK 输入路径,不能直接推断它也会在 VCF 输入路径上完成同样过滤。程序接受一个参数,并不意味着当前任务会按照读者想象的方式使用它。

因此,VCF 数据质量过滤应在进入定相前独立完成,并核查实际保留清单。不能把某个工具的所有帮助选项看成对所有模式都通用。特别是模式切换、格式转换和参考定相,往往会改变允许的过滤方式或输出范围。

本次对照中,高缺失位点保留下来后,其缺失值还被补齐。如果只查看最终文件,可能错误认为原始数据质量很好,因为表面上已经没有缺失。分析前的缺失率与分析后的完整率描述的是不同事情,质控报告应明确时间点和数据来源。

在实际项目里,频率、缺失率、异常杂合度与样本筛选等规则应按研究设计确定。软件默认值不是研究方案的替代品。可以把每次过滤前后的样本数、位点数和被排除对象单独保存,方便发现格式切换后某项过滤不再起作用。

七、怎样检查相位输出,又不把格式检查当成准确率?

最基础的核验包括样本顺序、位点集合、等位基因对应以及原来非缺失基因型是否保持。本次六组对照都检查了这些项目,并分别统计缺失与未定相状态。这样的核验能够发现输入输出流程问题,但它还没有回答真实相位是否正确。

一个杂合基因型从零斜线一变成一竖线零,等位基因组合仍然相同。整条单倍型整体交换标签,也可能只是表示方式改变。因此,不能把每个竖线左右位置与另一个文件逐字符比较,就宣布存在相位错误。

真正评价跨位点相位,需要考虑相邻杂合位点之间的相对排列,并处理整段方向等价的问题。可以利用合适的家系、模拟真值或其他独立证据。本文没有开展这种准确率评估,所以也不把合成数据上的运行成功扩展成对真实队列的质量保证。

对于参考定相的研究设计,参考面板规模只是其中一个因素。参考是否代表目标群体、输入标记是否有信息、目标样本中是否存在未说明的亲缘或群体混合,都会影响可利用的单倍型信息。增加参考人数并不能修复坐标错位或等位基因不一致。

八、把定相放回完整分析流程中

本次练习说明,定相结果至少需要从三方面命名。它覆盖哪一组位点,是否保留原始缺失,以及哪些记录实际具有相位。把这三项写进交付说明,比统一称为“处理好的 VCF”更有用。

若下一步进行未检测位点填补,应确认所选工具需要的输入格式、等位基因方向和相位完整性。若下一步做单倍型关联或稀有变异组合分析,则应更重视相位不确定性及分块连接关系。不同目标对同一份输出有不同要求,不能只按上一步是否返回成功来决定是否可用。

Eagle2 的价值在于提供队列内及参考辅助的定相能力。把输出范围、缺失处理和格式限制弄清楚,才能将它可靠地接入后续流程。本次几组计数与交换对照,也可以作为读者建立自动核验脚本时的最小示例,先验证任务边界,再逐步扩展到真实数据。

需要把定相、后续填补与质控记录组织成长期流程时,可通过云生信生物信息学分析环境服务保留环境版本和可复核的分析记录。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗