前言
处理vcf文件的时候，需要多种切割，正则匹配，如果要自己写其实会比较麻烦，并且每次还得根据vcf文件格式或者需要读取的值不同要修改相应的代码。因此很多人会选择一些python的vcf的库，但是首先你得安装这个库， 并且有一些库它固定了能够读的内容，如果你的vcf的信息不在它固定的里面，就读不出来。比如最近我想读一个样本的AF，但是它放在最后样本的GT那列，不在INFO那一列，有一些库竟然无能为力。
因此我写了这个通用的读vcf的类，直接复制粘贴这部分代码就可以方便的用这个类进行vcf文件的读取，过滤，写出等操作。
使用说明
- 首先复制类的代码，后面就可以直接用了
import sys
import os
import subprocess
class Record(object):
'''
One line information in vcf file
'''
def __init__(self, line):
info = line.split("\t")
self.line = line
self.CHROM = info[0]
self.POS = info[1]
self.ID = info[2]
self.REF = info[3]
self.ALT = info[4]
self.QUAL = info[5]
self.FILTER = info[6]
self.INFO = [{pair_lst[0]: pair_lst[1] if len(pair_lst)> 1 else ""} for pair_lst in [pair.split("=") for pair in info[7].split(";")]]
self.FORMAT = info[8].split(":")
self.sample_num = len(info) -7
self.GT = []
for i in range(2):
GT_value = info[8 + i +1].split(":")
GT_dict = {}
for g in range(len(GT_value)):
GT_dict[self.FORMAT[g]] = GT_value[g]
self.GT.append(GT_dict)
class VCF(object):
'''
VCF class, read VCF, write VCF, get VCF information
'''
def __init__(self, uncompress_vcf):
self.header = []
self.reader = open(uncompress_vcf, 'r')
self.line = self.reader.readline().strip()
while self.line.startswith('#'):
self.header.append(self.line)
self.line = self.reader.readline().strip()
self.record = Record(self.line)
def __iter__(self):
return self
def __next__(self):
self.line = self.reader.readline().strip()
if self.line != "":
self.record = Record(self.line)
return self.record
else:
self.reader.close()
raise StopIteration()
def reader_close(self):
self.reader.close()
- 主要有两个类，一个是VCF类,存储的是vcf的信息，及对vcf文件的操作，一个是Record类，它包括vcf某一行存储的全部信息
- 读入vcf文件
gatk_result = "realignment.vcf"
gatk = VCF(gatk_result)
- 查看vcf的header
gatk.header
- 查看vcf当前行中储存的信息，一开始是首行。它以Record这个类保存的。注意VCF类是个迭代器类，可以用next和for循环来读入每一行的信息
record = gatk.record #这里record存储的是该Record类的地址
- 查看该record的属性，包括line(行的内容，方便写出某行), CHROM, POS, ID，REF,ALT, QUAL, FILTER, INFO(字典的形式存储), FORMAT, sample_num(多少个样本),GT（样本的基因型信息，这里在vcf一般是在后面用样本名表示的列）
record.CHROM
record.line
record.ID #其他的属性同理
- INFO的读取
这是vcf中INFO的原始表示
CONTQ=28;DP=38;ECNT=1;GERMQ=76;MBQ=20,37;MFRL=171,229;MMQ=60,60;MPOS=26;NALOD=1.16;NLOD=3.91;
POPAF=6.00;RCNTS=0,0;ROQ=14;SEQQ=1;STRANDQ=11;TLOD=4.56
它在record中的存储形式
record.INFO
[{'CONTQ': '28'}, {'DP': '38'}, {'ECNT': '1'}, {'GERMQ': '76'}, {'MBQ': '20,37'}, {'MFRL': '171,229'}, {'MMQ': '60,60'}, {'MPOS': '26'}, {'NALOD': '1.16'}, {'NLOD': '3.91'}, {'POPAF': '6.00'}, {'RCNTS': '0,0'}, {'ROQ': '14'}, {'SEQQ': '1'}, {'STRANDQ': '11'}, {'TLOD': '4.56'}]
- GT的读取
这是GT在vcf的存储形式，FORMAT对应着GT的值
GT:AD:AF:DP:F1R2:F2R1:OBAM:OBAMRC:OBF:OBP:OBQ:OBQRC:SB 0/1:21,2:0.120:23:7,1:13,1:false:true:0.500:0.078:100.00:41.80:12,9,1,1 0/0:13,0:0.065:13:7,0:6,0:false:false:.:.:.:.:10,3,0,0
分别是FORMAT， tumor样本GT, normal样本GT对应的值
这是在record中的存储形式
record.GT
[{'GT': '0/1', 'OBQRC': '41.80', 'SB': '12,9,1,1', 'DP': '23', 'OBF': '0.500', 'OBAM': 'false', 'OBP': '0.078', 'AD': '21,2', 'F2R1': '13,1', 'F1R2': '7,1', 'AF': '0.120', 'OBQ': '100.00', 'OBAMRC': 'true'}, {'GT': '0/0', 'OBQRC': '.', 'SB': '10,3,0,0', 'DP': '13', 'OBF': '.', 'OBAM': 'false', 'OBP': '.', 'AD': '13,0', 'F2R1': '6,0', 'F1R2': '7,0', 'AF': '0.065', 'OBQ': '.', 'OBAMRC': 'false'}]
第一个字典就是tumor的GT，第二个字典就是normal的GT，当然，根据你的样本数量会有多个字典，这里可以按索引取出比如要取出第一个样本的，只需要record.GT[0]就行
- 把tumor AF大于0.5的line打印出来
for record in gatk:
# compare GATK tumor AF to 0.05
if float(record.GT[0]['AF']) > 0.05:
print(record.line)
- 把FILTER为PASS的并且tumor AF>0.05写入列表并写出最后的VCF文件
snv = "filter.vcf"
result = gatk.header
for record in gatk:
if record.FILTER == "PASS" and float(record.GT[0]['AF']) > 0.05:
result.append(record.line)
# write out result
with open(snv, 'w+') as snvf:
for line in result:
print(line, file = snvf)
- 查看gatk的下一个record， 因为VCF类是可迭代的，因此除了for也支持next
record = next(gatk)
print(record.line)