使用R biomaRt从GRCh38提取次要等位基因返回NA的问题咨询

问题核心原因 #

在GRCh38对应的Ensembl SNP Mart中，原minor_allele和minor_allele_freq属性已被弃用——因为当前Ensembl的等位基因频率数据是按特定人群划分的，不再提供单一通用的"次要等位基因"值，这就是直接调用旧属性返回NA的原因。

修正后的biomaRt代码 #

需要替换为人群特异性的频率字段，同时指定目标人群过滤器。以1000基因组计划的EUR人群为例，代码如下：

library("biomaRt")
# 连接GRCh38的SNP数据库
snp.db3 <- useMart(host = "https://www.ensembl.org/", 
                   biomart = "ENSEMBL_MART_SNP", 
                   dataset = "hsapiens_snp")

# 可选：查看支持的所有人群列表，确认目标人群代码
populations <- listFilters(snp.db3)[grep("population", listFilters(snp.db3)$name), ]
print(populations)

# 提取指定SNP的人群特异性次要等位基因及频率
nt.biomart3 <- getBM(
  attributes = c("refsnp_id", "population_minor_allele", "population_minor_allele_freq",
                 "chrom_start", "chrom_strand", "associated_gene"),
  filters = c("snp_filter", "population_filter"),
  values = list(snp_filter = c("rs3762444", "rs284262", "rs655598", "rs12089815", 
                               "rs12140153", "rs788163", "rs1064213", "rs1106090", 
                               "rs7557796", "rs16825008"),
                population_filter = "1000GENOMES:phase_3:EUR"),
  mart = snp.db3, 
  uniqueRows = TRUE
)
print(nt.biomart3)

更优提取方案 #

除biomaRt外，还有几种更高效的选择：

• Ensembl REST API：直接发送HTTP请求获取JSON格式数据，适合批量SNP处理，无需加载R包。
• VariantAnnotation包：结合1000 Genomes Project的GRCh38 VCF文件本地查询，速度远快于在线调用，适合大数量SNP分析。
• 本地dbSNP文件：下载GRCh38版本的dbSNP数据集，通过脚本本地检索，完全摆脱网络依赖。

GRCh37数据的时效性说明 #

GRCh37的次要等位基因数据并非最新。Ensembl已停止对GRCh37的常规更新，仅维护关键bug修复，所有新变异数据、人群频率更新都会优先同步到GRCh38/GRCh39版本。若需最新数据，必须使用GRCh38及以上版本的参考基因组。

内容的提问来源于stack exchange，提问作者Abiologist