1 背景

在生成VCF文件后，需要对生成的SNP进行过滤，再进行后续的种群分析。首先，低质量和无信息的SNP会影响后续群体结构或GWAS的分析结果；其次，群体研究时，由于测序的个体较多检测出来的变异位点数量过大，进一步过滤会减少后续分析时，对计算资源的需求。

为什么要过滤indel邻近区域的SNP和10bp范围内的SNP cluster：

1. 在过滤分析的语境中，Indel Gap 指的是插入缺失标记（Indel）与单核苷酸多态性（SNP）之间的最小距离。Indel 可能会导致比对错误，还可能在其附近产生假阳性 SNP，因此位于 Indel 附近的 SNP 会被过滤掉。我采用了 20 个碱基对（bp）的阈值标准，所以在经过过滤的 VCF 文件中，不会包含距离 Indel 20 bp 范围内的任何 SNP。
2. SNP Gap 是一个类似的概念。如果在一段较短的区域内出现成簇的 SNP，那么这些 SNP 极有可能全都是假阳性。举例来说，若一个 20 bp 的区域内存在 3 个或更多 SNP，这些 SNP 就极大概率为假阳性结果。
3. 我不清楚你所指的是哪一种阈值标准，是变异质量得分，还是最低碱基质量得分？不同的变异检测工具（如 GATK 和 Samtools）得出的变异质量得分范围存在差异，且针对不同工具，人们设定的得分截断值也各不相同。例如，GATK 建议使用 30 分及以上的变异质量得分作为标准。

2 具体步骤

（1）去除10bp范围内的SNP cluster（建议先进行步骤2）

# 1. 基于硬过滤后的文件，创建索引
# （1）重新压缩SNP文件，并创建索引
gunzip -c genome_snp_filtered_deleted.vcf > genome_snp_filtered_deleted.vcf
bgzip genome_snp_filtered_deleted.vcf
tabix -p vcf genome_snp_filtered_deleted.vcf

# 2. 去除10bp范围内有3个以上的SNP
#（1）标出10bp范围3个SNP的 SnpCluster
gatk VariantFiltration -V genome_snp_filtered_deleted.vcf -O genome_snp_filtered_deleted_10_3filter.vcf.gz
#（2）去除上一步标出的SnpCluster
gatk SelectVariants -V genome_snp_filtered_deleted_10_3filter.vcf.gz -O genome-2_snp_filtered_deleted_10_3filter_deleted.vcf.gz -select "FILTER == SnpCluster" --invertSelect

（2）去除indel附近5bp范围内的SNP （需要确保indel和snp在一个文件内）

# bcftools filter -g 5 -O v -o 5genome_snp_gap5_filter.vcf.gz 4genome_snp_filtered_deleted_10_3filter_deleted.vcf.gz

3 注意事项

（1）去除位点前后，都需要对位点进行统计，依据位点的数量，判断是否得到了正确的结果文件。

（2）在进行 去除indel附近5bp范围内的SNP 的过程时，确保INDEL和SNP在一个文件内，否则会造成INDEL位置识别不到，从而无法去除。