python通用讀取vcf文件的類（可以直接複製粘貼使用）
- 2020 年 3 月 3 日
- 筆記
前言
處理vcf文件的時候，需要多種切割，正則匹配，如果要自己寫其實會比較麻煩，並且每次還得根據vcf文件格式或者需要讀取的值不同要修改相應的程式碼。因此很多人會選擇一些python的vcf的庫，但是首先你得安裝這個庫， 並且有一些庫它固定了能夠讀的內容，如果你的vcf的資訊不在它固定的裡面，就讀不出來。比如最近我想讀一個樣本的AF，但是它放在最後樣本的GT那列，不在INFO那一列，有一些庫竟然無能為力。 因此我寫了這個通用的讀vcf的類，直接複製粘貼這部分程式碼就可以方便的用這個類進行vcf文件的讀取，過濾，寫出等操作。
使用說明
- 首先複製類的程式碼，後面就可以直接用了
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()
- 主要有兩個類，一個是VCF類,存儲的是vcf的資訊，及對vcf文件的操作，一個是Record類，它包括vcf某一行存儲的全部資訊
- 讀入vcf文件
gatk_result = "realignment.vcf" gatk = VCF(gatk_result)
- 查看vcf的header
gatk.header
- 查看vcf當前行中儲存的資訊，一開始是首行。它以Record這個類保存的。注意VCF類是個迭代器類，可以用next和for循環來讀入每一行的資訊
record = gatk.record #這裡record存儲的是該Record類的地址
- 查看該record的屬性，包括line(行的內容，方便寫出某行), CHROM, POS, ID，REF,ALT, QUAL, FILTER, INFO(字典的形式存儲), FORMAT, sample_num(多少個樣本),GT（樣本的基因型資訊，這裡在vcf一般是在後面用樣本名表示的列）
record.CHROM record.line record.ID #其他的屬性同理
- INFO的讀取 這是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中的存儲形式
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的讀取 這是GT在vcf的存儲形式，FORMAT對應著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 分別是FORMAT， tumor樣本GT, normal樣本GT對應的值
這是在record中的存儲形式
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'}] 第一個字典就是tumor的GT，第二個字典就是normal的GT，當然，根據你的樣本數量會有多個字典，這裡可以按索引取出比如要取出第一個樣本的，只需要record.GT[0]就行
- 把tumor AF大於0.5的line列印出來
for record in gatk: # compare GATK tumor AF to 0.05 if float(record.GT[0]['AF']) > 0.05: print(record.line)
- 把FILTER為PASS的並且tumor AF>0.05寫入列表並寫出最後的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的下一個record， 因為VCF類是可迭代的，因此除了for也支援next
record = next(gatk) print(record.line)
