基因组与Python --PyVCF 好用的vcf文件处理器

vcf文件的全称是variant call file，即突变识别文件，它是基因组工作流程中产生的一种文件，保存的是基因组上的突变信息。通过对vcf文件进行分析，可以得到个体的变异信息。嗯，总之，这是很重要的文件，所以怎么处理它也显得十分重要。它的文件信息如下：

文件的开头是一堆以“##”开始的注释行，包含了文件的基本信息。然后是以“#”开头的一行，共9+n个部分，前九部分标注的是后面行每部分代表的信息，相当于表头。后面部分是样本名称，可以有多个。注释行结束后是具体的突变信息，每一行分为9+n个部分，每部分之间用制表符（‘\t’）分隔。

通常处理vcf文件时，在读取，处理阶段总是会写很多重复代码，核心的任务代码很少。当然，如果仅仅是找位点的CHROM，POS，ID，REF，ALT，QUAL这几个参数时，这样做也可以。因为vcf格式规范，这几个参数的结构相对简单。但是如果处理头文件信息，或者处理INFO，FORMAT参数时，要写比较复杂的正则表达式，这样做不仅繁琐，而且容易出错。

Python的PyVCF库解决了这个问题，它通过正则表达式把vcf文件信息转换成结构化的信息，简化了vcf文件的处理过程，方便后续提取相关参数及处理。

PyVCF库的安装，cmd界面：

 

[python] view plain copy
 
  1. pip install PyVCF  

或者从https://github.com/jamescasbon/PyVCF网站上下载安装包，自行安装。

PyVCF库的导入：

[python] view plain copy
 
  1. import vcf  
PyVCF库的名字为vcf，导入之后可以使用其方法对vcf文件做处理。

PyVCF库详细介绍：

使用实例：

[python] view plain copy
 
  1. >>> import vcf  
  2. >>> vcf_reader = vcf.Reader(filename=r'D:\test\example.hc.vcf.gz')  
  3. >>> for record in vcf_reader:  
  4.     print record  
  5. Record(CHROM=chr1, POS=10146, REF=AC, ALT=[A])  
  6. Record(CHROM=chr1, POS=10347, REF=AACCCT, ALT=[A])  
  7. Record(CHROM=chr1, POS=10439, REF=AC, ALT=[A])  
  8. Record(CHROM=chr1, POS=10492, REF=C, ALT=[T])  
  9. Record(CHROM=chr1, POS=10583, REF=G, ALT=[A])  
调用vcf.Reader类处理vcf文件，vcf文件信息就被保存到vcf_reader中了。它是一个可迭代对象，它的迭代元素都是一个_Record对象的实例，保存着非注释行的一行信息，即变异位点的具体信息。通过它，我们可以很轻易地得到位点的详细信息。

_Record对象------位点信息的储存形式

[python] view plain copy
 
  1. class vcf.model._Record(CHROM, POS, ID, REF, ALT, QUAL, FILTER, INFO, FORMAT, sample_indexes, samples=None)  
_Record是vcf.model中的一个对象，除了它还有_Call，_AltRecord等对象。它的基本属性为CHROM，POS，ID，REF，ALT，QUAL，FILTER，INFO，FORMAT，也就是vcf中的一行位点信息。接下来对这些属性一一说明：
CHROM：染色体名称，类型为str。
POS：位点在染色体上的位置，类型为int。
ID：一般是突变的rs号，类型为str。如果是‘.’，则为None。
REF：参考基因组在该位点上的碱基，类型为str。
ALT：在该位点的测序结果。是_AltRecord类的子类实例的列表。类型为list。_AltRecord类有4个子类，代表了突变的几种类型：如snp，indel，structual variants等。所有的实例都可以进行比较（仅限于相等的比较，没有大于小于之说），部分子类没有实现str方法，也就是说不能转成字符串。
QUAL：该位点的测序质量，类型为int或float。
FILTER：过滤信息。将FILTER列按分号分隔形成的字符串列表，类型为list。如果未给出参数则为None。
INFO：该位点的一些测试指标。将‘=’前的参数作为键，后面的参数作为值，构建成的字典。类型为dict。
FORMAT：基因型信息。保存vcf的FORMAT列的原始形式，类型为str。
[python] view plain copy
 
  1. >>> for record in vcf_reader:  
  2.         print type(record.CHROM), record.CHROM  
  3.         print type(record.POS), record.POS  
  4.         print type(record.ID), record.ID  
  5.         print type(record.REF), record.REF  
  6.         print type(record.ALT), record.ALT  
  7.         print type(record.QUAL), record.QUAL  
  8.         print type(record.FILTER), record.FILTER  
  9.         print type(record.INFO), record.INFO  
  10.         print type(record.INFO['BaseQRankSum']), record.INFO['BaseQRankSum']  
  11.         print type(record.FORMAT), record.FORMAT  
  12.   
  13. <type 'str'> chr1  
  14. <type 'int'> 234481  
  15. <type 'NoneType'> None  
  16. <type 'str'> T  
  17. <type 'list'> [A]  
  18. <type 'float'> 2025.77  
  19. <type 'NoneType'> None  
  20. <type 'dict'> {'ExcessHet': 3.0103, 'AC': [1], 'BaseQRankSum': -2.743, 'MLEAF': [0.5], 'AF': [0.5], 'MLEAC': [1], 'AN': 2, 'FS': 2.371, 'MQ': 42.83, 'ClippingRankSum': 0.0, 'SOR': 0.972, 'MQRankSum': -2.408, 'ReadPosRankSum': 1.39, 'DP': 156, 'QD': 13.07}  
  21. <type 'float'> -2.743  
  22. <type 'str'> GT:AD:DP:GQ:PL  
除了这些基本属性之外，_Record对象还有一些其他属性：
samples：把FORMAT信息作为键，后面对应的信息做为值，构建成的字典（CallData对象），以及sample名称，这两个值组成一个Call对象，共同构成samples的一个元素。这样就把sample和基因型信息给关联起来，按下标访问每一个Call对象。samples类型为list。
start：突变开始的位置
end：突变结束的位置
alleles：该位点所有的可能情况，由REF和ALT参数组成的列表（REF类型是str，ALT参数是_AltRecord对象的子类实例），类型是list。
[python] view plain copy
 
  1. >>> for record in vcf_reader:  
  2.         print record.samples, '\n', record.samples[0].sample, '\n', record.samples[0]['GT'] #按下标访问Call，按.sample访问sample，按键访问FORMAT对应信息  
  3.         print record.start, record.POS, record.end  
  4.         print record.REF, record.ALT, record.alleles #注意G没有引号，它是_AltRecord对象  
  5.   
  6. [Call(sample=192.168.1.1, CallData(GT=0/1, AD=[39, 14], DP=53, GQ=99, PGT=0|1, PID=13116_T_G, PL=[449, 0, 2224]))]   
  7. 192.168.1.1  
  8. 0/1  
  9. 13115 13116 13116  
  10. T [G] ['T', G]  
_Record对象方法：
1. 对象之间比较大小方法：根据染色体名称和位置信息比较。Python3只实现了‘=’和‘<’的比较。
2. 迭代方法：对samples里的元素进行迭代。
3. 字符串方法：只返回CHROM，POS，REF，ALT四列信息。
4. genotype(name)方法，和samples按下标访问不同，这个方法提供按sample名称进行访问的功能。
5. add_format(fmt)，add_filter(flt)，add_info(info, value=True)：给相应的属性添加元素。
6. get_hom_refs()：拿到samples中该位点未突变的所有sample，返回列表。
7. get_hom_alts()：拿到samples中该位点100%突变的所有sample，返回列表。
8. get_hets()：拿到samples中该位点基因型为杂合的所有sample，返回列表。
9. get_unknown()：拿到samples中该位点基因型未知的所有sample，返回列表。
[python] view plain copy
 
  1. >>> record = next(vcf_reader)  
  2. >>> record2 = next(vcf_reader)  
  3. >>> print record > record2 #按染色体名称和位置进行比较  
  4. False  
  5. >>> for i in record: #按samples列表进行迭代  
  6.          print i      
  7. Call(sample=192.168.1.1, CallData(GT=0/1, AD=[18, 11], DP=29, GQ=99, PL=[280, 0, 528]))  
  8. >>> print str(record) #字符串方法  
  9. Record(CHROM=chr1, POS=10492, REF=C, ALT=[T])  
  10. >>> print record.genotype('192.168.1.1') #按sample名字进行访问  
  11. Call(sample=192.168.1.1, CallData(GT=0/1, AD=[39, 14], DP=53, GQ=99, PGT=0|1, PID=13116_T_G, PL=[449, 0, 2224]))  
_Record对象还有很多有用的方法属性：
num_called：该位点已识别的sample数目。
call_rate：已识别的sample数目占sample总数的比例。
num_hom_ref，num_hom_alt，num_het，num_unknown：四种基因型的数量
aaf：所有sample等位基因的频率（即除开REF），返回列表。
heterozygosity：该位点的杂合度，0.5为杂合突变，0为纯合突变。
var_type：突变类型，包括‘snp’，‘indel’，‘sv’（structural variant），‘unknown’。
var_subtype：更加细化的突变类型，如‘indel’包括‘del’，‘ins’，‘unknown’。
is_snp，is_indel，is_sv，is_transition，is_deletion：判断突变是不是snp，indel，sv，transition，deletion等等。
[python] view plain copy
 
  1. >>> record = next(vcf_reader)  
  2. >>> print record  
  3. Record(CHROM=chr1, POS=13118, REF=A, ALT=[G])  
  4. >>> print record.samples #只有一个sample  
  5. [Call(sample=192.168.1.1, CallData(GT=0/1, AD=[41, 13], DP=54, GQ=99, PGT=0|1, PID=13116_T_G, PL=[449, 0, 2224]))]  
  6. >>> record.num_called  
  7. 1  
  8. >>> record.call_rate  
  9. 1.0  
  10. >>> record.num_hom_ref  
  11. 0  
  12. >>> record.aaf  
  13. [0.5]  
  14. >>> record.num_het  
  15. 1  
  16. >>> record.heterozygosity  
  17. 0.5  
  18. >>> record.var_type  
  19. 'snp'  
  20. >>> record.var_subtype  
  21. 'ts'  
  22. >>> record.is_snp  
  23. True  
  24. >>> record.is_indel  
  25. False  

Reader对象------处理vcf文件，构建结构化信息

[python] view plain copy
 
  1. class Reader(fsock=None, filename=None, compressed=None, prepend_chr=False, strict_whitespace=False, encoding='ascii')  
在读vcf文件时，总共有六个参数可供选择，如上图所示。
fsock：目标文件的文件对象，可以用open(文件名)得到这个文件对象。
filename：文件名，当fsock和filename同时存在时，优先考虑fsock。
compressed：是否要解压，不提供参数时由程序自行判断（以文件名是否以.gz结尾判断是否需要解压）。
prepend_chr：在保存染色体名称时，是否加前缀‘chr’，默认不加，如果vcf文件的染色体名称本来没有前缀‘chr’，可设置为True，自动加上。
strict_whitespace：是否严格以制表符‘\t’分隔数据。True则表示严格按制表符分，False表示可以夹杂空格。
encoding：文件编码。
[python] view plain copy
 
  1. >>> vcf_reader = vcf.Reader(open('vcf/test/example-4.0.vcf', 'r')) #fsock  
  2. >>> vcf_reader = vcf.Reader(filename=r'D:\test\example.hc.vcf.gz') #filename  
头文件信息主要保存在Reader对象的属性中，包括alts，contigs，filters，formats，infos，metadata。
alts使用实例：
[python] view plain copy
 
  1. >>> vcf_reader = vcf.Reader(filename=r'D:\test\example.hc.vcf.gz')  
  2. >>> vcf_reader.alts  
  3. OrderedDict([('NON_REF', Alt(id='NON_REF', desc='Represents any possible alternative allele at this location'))]) #字典类型  
  4. >>> vcf_reader.alts['NON_REF'].id  
  5. 'NON_REF'  
  6. >>> vcf_reader.alts['NON_REF'].desc  
  7. 'Represents any possible alternative allele at this location'  
其他的属性用法类似。
Reader对象实现了两个方法：
next()：获得下一行的数据，也就是返回下一个_Record对象。可以显式调用next()得到下一行数据，也可以直接迭代Reader对象，它会自动调用next()函数以获得下一行数据。
fetch(chrom，start=None，end=None)：返回chrom染色体从start+1到end坐标的所有突变位点。不给end，就返回chrom染色体从start+1到末尾的所有突变位点；start和end都不给，就返回chrom染色体所有的突变位点。这个方法需要用另一个第三方Python模块pysam来建立文件索引，如果没有安装这个模块，会导致错误。另外，使用这个方法之后，它会将对象的可迭代范围改成fetch()得到的突变位点，所以用这个方法，原来的迭代进度就失效了。
[html] view plain copy
 
  1. >>> vcf_reader = vcf.Reader(filename=r'D:\test\example.hc.vcf.gz')  
  2. >>> vcf_reader.next()  
  3. <vcf.model._Record object at 0x0000000003ED8780>  
  4. >>> record = vcf_reader.next()  
  5. >>> print record  
  6. Record(CHROM=chr1, POS=10347, REF=AACCCT, ALT=[A])  
  7. >>> for record in vcf_reader:  
  8.     print record  
  9. Record(CHROM=chr1, POS=10439, REF=AC, ALT=[A])  
  10. Record(CHROM=chr1, POS=10492, REF=C, ALT=[T])  
这个库还有一个Writer对象，在此就不详细介绍了，因为大部分对vcf文件的处理都可以用上面两个对象的知识搞定。

综合使用：

[python] view plain copy
 
  1. #!/usr/bin/env python  
  2. # -*- coding: utf-8 -*-  
  3.   
  4. import vcf  # 导入PyVCF库  
  5.   
  6. filename = r'D:\test\example.hc.vcf.gz'   
  7. vcf_reader = vcf.Reader(filename=filename) # 调用Reader对象处理vcf文件  
  8.   
  9. for record in vcf_reader: # 迭代Reader对象,返回的是_Record对象  
  10.     # record是_Record对象  
  11.     print record.CHROM, record.POS, record.ID, record.ALT  
  12.     if record.is_snp:# 判断是否是snp  
  13.         print "I'm a snp"  
  14.     elif record.var_type != 'sv': #和 elif record.is_sv:等价  
  15.         print "I'm not a sv"  
  16.     if record.heterozygosity == 0.5: # 判断是否为杂合突变  
  17.         print "I'm a heterozygous mutation"  
  18.     ...  
  19.     ...  
  20.       
这个库实现的所有功能，都可以自己写代码实现，而且实现方法比较简单。之所以要用这个库来处理vcf文件，是因为这个库考虑的东西可能比我们自己了解的更多，其实现也可能比我们自己的代码更加完备合理。
还有，重复造车总归是不好的。
posted @ 2018-06-20 15:36  nkwy2012  阅读(3847)  评论(1)  编辑  收藏  举报