初探PLINK文件格式（bed，bim，fam）

近十几年来，全基因组关联研究（Genome-Wide Association Study,GWAS）迅速发展，为探索疾病的发病机制做出了突出贡献，也为精准医学的发展奠定基础。在我们进行GWAS分析时，经常会使用到PLINK软件，对于新手来说可能掌握起来比较困难，所以首先我将和大家分享PLINK文件的基本格式。

我在这里讲到的PLINK文件主要有三类，即bed，bim和fam文件。其中bed是存储基因型信息的，bim文件则是存储每个遗传变异（通常是SNP）的相关信息，最后的fam存储的是样本信息，接下来我将一一介绍。

文件bed主要是存储等位基因信息，它开头前三个字节永远是0x6c, 0x1b, 和0x01，接下来就是V组N/4个字节的序列，这里V是指遗传变异的个数，N是指样本数，假如N无法被4整除，那么将N/4的结果取整后加1作为各组的字节数，编码信息如下：

00：基因型是bim文件第一个等位基因的纯合子

01：基因型缺失

10：基因型是杂合子

11：基因型是bim文件第二个等位基因的纯合子

如果你在PLINK里加载如下文件：

test.ped: 1 1 0 0 1 0 G G 2 2 C C 1 2 0 0 2 0 A A 0 0 A C 1 3 1 2 1 2 0 0 1 2 A C 2 1 0 0 1 0 A A 2 2 0 0 2 2 0 0 2 2 A A 2 2 0 0 2 3 1 2 1 2 A A 2 2 A A

test.map: 1 snp1 0 1 1 snp2 0 2 1 snp3 0 3

那么它就会自动生成一个bed文件，查看bed文件内容为：

0x6c 0x1b 0x01 0xdc 0x0f 0xe7 0x0f 0x6b0x01

同时也会有bim文件：

1 snp1 0 1 G A 1 snp2 0 2 1 2 1 snp3 0 3 A C

这里bed文件的前三个字节是固定格式，第四个字节0xdc的二进制值为11011100，那么在第一个SNP（snp1）上，样本1的基因型00对应就是GG（从后往前数），样本2的基因型11对应就是AA, 样本3的基因型缺失，样本4基因型11对应AA，第五个字节0x0f 的二进制值为00001111，那么样本5的基因型11对应AA，样本6基因型11也对应AA，注意了后面的00和00是指6个样本每四个分一组需要分为两组，但由于两组需要8样本，这时就缺少两个样本，这缺失的就用00表示。这里第6和第7字节存储的是第二个snp的基因型信息，推断方法同上，这里就不赘述了。

讲完bed文件后，bim文件应该非常好理解了，这里bim文件是一个没有题头的文本文件，每一行代表一个遗传变异，共计有6列，其信息如下：

（1） 第一行：染色体编号(通常用整数标记，如22表示第22条染色体，性染色体和线粒体染色体用'X'/'Y'/'XY'/'MT'表示，而'0' 代表染色体信息缺失) ；

（2） 第二行：变异标识符，这个就相当与每一个遗传变异的编号，常见的SNP可以采用以“rs”开头的编号；

（3） 第三行：每个遗传变异在基因组上的位置，用摩尔根或者厘摩尔根表示；

（4） 第四行：碱基对的坐标；

（5） 第五行：等位基因1，通常是次要等位基因（minor allele）；

（6） 第六行：等位基因2，通常是主要等位基因（major allele）。

关于fam文件，它也是一个没有题头的文本文件，每一行代表一个样本，共计6列，其信息如下：

（1） 第一行：家系编号('FID')

（2） 第二行：家系内部编号('IID'; 不能是 '0')

（3） 第三行：父系编号 ('0' 表示父系信息缺失)

（4） 第四行：母系编号('0' 表示母系信息缺失)

（5） 第五行：性别编号('1' = 男, '2' = 女, '0' = 性别未知)

（6） 第六行：表型值 ('1' = 对照, '2' = 病例, '-9'/'0'/表示表型缺失)。

关于PLINK文件的基本格式就介绍完毕了，希望大家能牢记各个文件的结构信息，这在后续的数据分析中非常重要。