乐于分享
好东西不私藏
夜雨聆风 > > 办公文件 > BSA 常用软件实战:QTL-seq、MutMap、DeepBSA 怎么选怎么用

BSA 常用软件实战:QTL-seq、MutMap、DeepBSA 怎么选怎么用

当前时间： 1970-01-01 08:00:00 分类：办公文件 评论(0)
BSA 常用软件实战:QTL-seq、MutMap、DeepBSA 怎么选怎么用

系列第 08 篇｜阅读时长约 10 分钟关键词：QTL-seq R 包、MutMap、DeepBSA、工具对比

一个现实问题

上一篇文章我们用 Python 从零实现了 BSA 算法——原理懂透了。

但真正做项目时，没人愿意每次都自己写代码。

这篇我把 BSA 圈最常用的 3 个工具——QTL-seq、MutMap、DeepBSA——逐个上手演示一遍，最后给一个我自己用的工具组合策略。

一、QTL-seq（R 包版本）：最经典的 BSA 工具

图1 BSA常用工具一览

1.1 工具背景

  • 出处：Takagi 等 2013 年提出算法
  • 包装：QTL-seq R 包（作者日本人 Sugihara）
  • 现状：BSA 圈引用率最高的工具

1.2 安装

ounter(lineounter(lineounter(lineounter(lineounter(line# R 4.xif (!requireNamespace("devtools", quietly = TRUE))    install.packages("devtools")devtools::install_github("bmansfeld/QTLseqr")

1.3 数据准备

QTL-seqr 接受 VCF 文件，但需要特定的列。可以从 VCF 读：

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(linelibrary(QTLseqr)# 从 VCF 读df <- importFromVCF(    vcfFile = "03_variants/final.vcf.gz",    chromList = paste0("Chr", 1:12),  # 水稻12条染色体    filename = NULL)

或者从 CSV 读（自己用 bcftools 提取）：

ounter(lineounter(lineounter(line# 提取 BSA 需要的字段bcftools query -f '%CHROM\t%POS\t%REF\t%ALT[\t%AD]\n' \    03_variants/final.vcf.gz > snp_data.tsv

1.4 跑 SNP-index

图2 QTL-seq工作流
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(linedf <- runQTLseqAnalysis(    SNPset = df,    chromList = paste0("Chr", 1:12),    popSize = 50,           # 每个池的个体数    bulkL = "Bulk-L",       # 低池样本名前缀    bulkH = "Bulk-H",       # 高池样本名前缀    qtlevel = 0.05,         # 显著性水平    filter = "all",         # 过滤策略    interMethod = "dh",     # 插值方法    windowSize = 1e6,       # 窗口大小    stepSize = 1e5,         # 步长    minRawDepth = 10,    maxRawDepth = 100)

1.5 画图

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineplotQTLStats(    SNPset = df,    varCol = "deltaSNP",    chromList = paste0("Chr", 1:12),    threshold = 0.33)

一行出图。但默认样式有点丑，建议加 ggplot2 美化：

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(linelibrary(ggplot2)ggplot(df, aes(x = pos, y = abs(deltaSNP), color = chr)) +    geom_point(size = 0.8) +    facet_grid(. ~ chr, scales = "free_x", space = "free_x") +    geom_hline(yintercept = 0.33, linetype = "dashed", color = "red") +    theme_bw() +    theme(axis.text.x = element_blank()) +    labs(title = "BSA Manhattan Plot (QTL-seqr)",         x = "Chromosome", y = "|ΔSNP-index|")

二、MutMap / MutMap+：突变体的福音

2.1 工具背景

  • 出处：Abe 等 2012 年提出
  • 适用：EMS 诱变 / CRISPR 突变体定位
  • 核心思想：跟 BSA 一样，但直接拿突变池跟亲本比，不建群体

2.2 MutMap vs MutMap+ 区别

工具
群体来源
比对对象
灵敏度
MutMap
M2 突变体池
野生型亲本
中
MutMap+
M3 突变体池
F2 中野生型个体混合
高

MutMap+ 比 MutMap 更灵敏——因为用了 F2 中野生型个体做参考，能过滤掉非目标 SNP。

2.3 MutMap 计算逻辑

本质就是：

ounter(lineSNP-index = alt_in_mutant / (ref_in_mutant + alt_in_mutant)

期望：目标位点 SNP-index ≈ 1（突变纯合），非目标位点 ≈ 0.5。

2.4 用 R 实现 MutMap 流程

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line# MutMap 用 SNP-index，画滑窗图mutmap_df <- data.frame(    chr = df$CHROM,    pos = df$POS,    snp_index = df$alt / (df$ref + df$alt))# 滑窗library(zoo)mutmap_df$win_mean <- zoo::rollmean(    mutmap_df$snp_index,     k = 100,         # 100 个 SNP 一个窗口    fill = NA)# 画图plot(mutmap_df$pos, mutmap_df$win_mean,      pch = 19, cex = 0.3, col = "steelblue",     xlab = "Position", ylab = "SNP-index (MutMap)")abline(h = 0.9, col = "red", lty = 2)

2.5 MutMap 的特殊过滤：EMS 背景过滤

EMS 诱变的 SNP 分布有个特点——C→T 和 G→A 转换占绝大多数。

ounter(lineounter(lineounter(lineounter(line# 用 bcftools 过滤出 EMS 相关的转换bcftools view -i 'TYPE="snp"' final.vcf.gz | \    bcftools filter -i '(REF="C" && ALT="T") || (REF="G" && ALT="A")' \    -Oz -o ems_snps.vcf.gz

这样能去掉非 EMS 背景噪音。

三、DeepBSA：深度学习新派工具

3.1 工具背景

  • 出处：2022 年华中农业大学李林课题组（Molecular Plant）
  • 核心：用 CNN 神经网络做 BSA 信号识别
  • 优势：号称能在小群体（< 20 株/池）下保持定位能力

3.2 安装

ounter(lineounter(lineounter(linegit clone https://github.com/yongdeng34/DeepBSA.gitcd DeepBSApip install -r requirements.txt

3.3 跑 DeepBSA

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(linepython DeepBSA.py \    --vcf 03_variants/final.vcf.gz \    --high-bulk bulk_H_1,bulk_H_2 \    --low-bulk bulk_L_1,bulk_L_2 \    --window 1000000 \    --output deepbsa_results/

跑完会输出一个 result.txt，包含每个窗口的预测分数和对应的候选区间。

3.4 怎么看 DeepBSA 结果

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineimport pandas as pdimport matplotlib.pyplot as pltresult = pd.read_csv("deepbsa_results/result.txt", sep="\t")# score 越高越像候选区间plt.figure(figsize=(14, 5))plt.scatter(result['mid'], result['score'],             c=result['score'], cmap='viridis', s=8)plt.colorbar(label='DeepBSA score')plt.xlabel('Position')plt.ylabel('DeepBSA score')plt.title('DeepBSA Result')plt.tight_layout()plt.savefig('deepbsa_manhattan.png', dpi=200)

3.5 我的看法

DeepBSA 的理论值很高（小群体能跑），但实际使用上：

  • 训练数据偏少，覆盖物种少
  • 对小群体确实有优势，但对中等以上群体没明显增益
  • 审稿人接受度还在建立中

我的建议：常规群体用 QTL-seqr 够用；池特别小（< 20）才考虑 DeepBSA。

四、R/qtl 的 bulk 玩法：老牌工具的新用

4.1 工具背景

R/qtl 原本是给传统 QTL mapping 用的，但它也支持bulk 数据——只需要做一点点预处理。

4.2 适合场景

  • 你同时有 R/qtl 的全群体数据和 BSA 数据
  • 想整合两种方法的结果

4.3 用法简述

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(linelibrary(qtl)# 读 cross 对象（含基因型 + 表型）cross <- read.cross(format = "csv",                     file = "full_population_genotype.csv",                    crosstype = "f2")# 加 bulk 表型cross$pheno$bulk_high <- ...cross$pheno$bulk_low <- ...# 跑 bulk QTLout <- scanone(cross, method = "em",                pheno.col = "bulk_phenotype")plot(out)

这块比较小众，不展开讲。

五、三大工具实战对比

图3 三大工具结果对比

我自己用同一组水稻数据跑过 3 个工具，结果对比如下：

维度
QTL-seqr
MutMap
DeepBSA
主流接受度
★★★★★
★★★★
★★
安装难度
R 一行
R 一行
Python 麻烦
运行速度
快
快
中
大群体表现
优秀
优秀
良好
小群体表现
较差
较差
优秀
多倍体支持
一般
差
一般
美化图难度
中
中
难
中文文档
多
少
极少

六、我的工具组合策略

跑 BSA 项目，我会双工具交叉验证：

6.1 主力：QTL-seqr

  • 跑主体分析
  • 出主图
  • 审稿人接受度最高

6.2 辅助：自写 Python

  • 上篇的脚本
  • 用于特殊场景（如自定阈值、自定统计量）
  • 跟 QTL-seqr 交叉验证主峰位置

6.3 备选：MutMap

  • 如果数据是 EMS 诱变
  • 如果走 MutMap 路线

6.4 探索：DeepBSA

  • 池太小（< 20 株/池）才用
  • 探索性分析
  • 不当主图

七、软件安装 5 个常见问题

7.1 QTLseqr 装不上

报错 package 'xxx' is not available：

ounter(lineounter(line# 装依赖install.packages(c("dplyr", "ggplot2", "vcfR", "tidyr", "data.table"))

7.2 cyvcf2 装不上（Python）

ounter(lineounter(line# conda 装最稳mamba install -c bioconda cyvcf2

7.3 DeepBSA 缺 GPU

DeepBSA 默认用 GPU，没 GPU 也能跑（CPU 模式），但慢 20 倍。CPU 模式：

ounter(linepython DeepBSA.py --device cpu ...

7.4 VCF 读不了

ounter(lineounter(lineounter(lineounter(line# 常见原因：VCF 没压缩索引# 用 bcftools 处理bcftools view -Oz file.vcf > file.vcf.gzbcftools index file.vcf.gz

7.5 中文路径报错

R 跟 Python 都不喜欢 Windows 中文路径。把你的 BSA 项目放在纯英文路径。

八、自检 Checklist

  • [ ] 工具装了，import 正常？
  • [ ] VCF 能被工具读取？
  • [ ] 池样本名匹配？
  • [ ] 至少跑出 1 张 Manhattan 图？
  • [ ] 至少 1 个主峰超过阈值？
  • [ ] 候选区间 < 10 Mb？

下篇预告

下一篇是从区间到基因——拿到候选区间后怎么注释、怎么 GO/KEGG 富集、怎么找候选基因。这步是从"定位"到"解释生物学"的跨越。

一句话总结

BSA 工具选择的精髓：QTL-seqr 当主力 + 自写 Python 当备胎 + MutMap 走突变路线。三个工具的图互相印证，比任何单一工具都稳。

你跑过哪个 BSA 工具？结果怎么样？评论区聊聊 👇