将多个样本的vcf文件转化为Phylip输入格式的python脚本

Posted 2023-04-21

参考技术A 但是phylip又不能直接把vcf文件作为输入文件，它的输入格式要求如下

第一行的两个数字分别为样本数和SNP数目
第二行的第一列为物种名称，一定要是10个字符的长度，长度不足可以用空格填充.第二列则是要用于比对的SNP序列。两列之间没有分隔符，而且后面的SNP每10个字符有一个空格.
python脚本如下：

可以选择输出fasta文件或者phy文件

Vcf文件格式

 

Vcf文件格式是GATK钟爱的表示遗传变异的一种文件格式。

 

就拿GATK给出的vcf例子说明吧，下面这个文件只表示了一个完整vcf文件的前几个SNP。

 

看上去确实有点复杂，那就把它分为两部分看吧，第一部分把他归为说明文件，就是每一列最前面有2个#符号的那些列所提到的就是为了解释下面“正文”INFO列中可能要出现的一些tags和和FORMAT列中对基因型的表示。第二部分可以归为下面的内容：

 

#CHROM  POS ID      REF ALT QUAL    FILTER  INFO    FORMAT  NA12878

chr1    873762  .       T   G   5231.78 PASS    AC=1;AF=0.50;AN=2;DP=315;Dels=0.00;HRun=2;HaplotypeScore=15.11;MQ=91.05;MQ0=15;QD=16.61;SB=-1533.02;VQSLOD=-1.5473 GT:AD:DP:GQ:PL   0/1:173,141:282:99:255,0,255

chr1    877664  rs3828047   A   G   3931.66 PASS    AC=2;AF=1.00;AN=2;DB;DP=105;Dels=0.00;HRun=1;HaplotypeScore=1.59;MQ=92.52;MQ0=4;QD=37.44;SB=-1152.13;VQSLOD= 0.1185 GT:AD:DP:GQ:PL  1/1:0,105:94:99:255,255,0

chr1    899282  rs28548431  C   T   71.77   PASS    AC=1;AF=0.50;AN=2;DB;DP=4;Dels=0.00;HRun=0;HaplotypeScore=0.00;MQ=99.00;MQ0=0;QD=17.94;SB=-46.55;VQSLOD=-1.9148 GT:AD:DP:GQ:PL  0/1:1,3:4:25.92:103,0,26

chr1    974165  rs9442391   T   C   29.84   LowQual AC=1;AF=0.50;AN=2;DB;DP=18;Dels=0.00;HRun=1;HaplotypeScore=0.16;MQ=95.26;MQ0=0;QD=1.66;SB=-0.98 GT:AD:DP:GQ:PL 0/1:14,4:14:60.91:61,0,255

 

CHROM：       表示变异位点是在哪个contig 里call出来的，如果是人类全基因组的话那就是chr1…chr22，chrX,Y,M了。

 

POS：          变异位点相对于参考基因组所在的位置，如果是indel，就是第一个碱基所在的位置。

 

ID：            如果call出来的SNP存在于dbsnp数据库里，就会显示相应的dbsnp里的rs编号。

 

REF和REF：     在这个变异位点处，参考基因组中所对应的碱基和研究对象基因组中所对应的碱基。

 

QUAL：         可以理解为所call出来的变异位点的质量值。Q=-10lgP，Q表示质量值；P表示这个位点发生错误的概率。因此，如果想把错误率从控制在90%以上，P的阈值就是1/10，那lg（1/10）=-1，Q=（-10）*（-1）=10。同理，当Q=20时，错误率就控制在了0.01。

 

FILTER：       理想情况下，QUAL这个值应该是用所有的错误模型算出来的，这个值就可以代表正确的变异位点了，但是事实是做不到的。因此，还需要对原始变异位点做进一步的过滤。无论你用什么方法对变异位点进行过滤，过滤完了之后，在FILTER一栏都会留下过滤记录，如果是通过了过滤标准，那么这些通过标准的好的变异位点的FILTER一栏就会注释一个PASS，如果没有通过过滤，就会在FILTER这一栏提示除了PASS的其他信息。如果这一栏是一个“.”的话，就说明没有进行过任何过滤。

 

到现在，我们就可以解释上面的例子了：

 

chr1：873762是一个新发现的T/G变异，并且有很高的可信度（qual=5231.78）。

chr1：877664是一个已知的变异为A/G 的SNP位点，名字rs3828047，并且具有很高的可信度（qual=3931.66）。

chr1：899282是一个已知的变异为C/T的SNP位点，名字rs28548431，但可信度较低（qual=71.77）。

chr1：974165是一个已知的变异为T/C的SNP位点，名字rs9442391，但是这个位点的质量值很低，被标

 成了“LowQual”，在后续分析中可以被过滤掉。

 

Vcf文件看起来很复杂，挺吓人的样子，但是里面大部分都是一些tags，而这些tags基本上都是在VASR中过滤用的，能够理解每个tags的意思最好，如果实在不理解也就不用管了。其实最关键的信息也就是那么几列：

 

chr1    873762      .       T   G   [CLIPPED]  GT:AD:DP:GQ:PL    0/1:173,141:282:99:255,0,255

chr1    877664  rs3828047   A   G   [CLIPPED]  GT:AD:DP:GQ:PL    1/1:0,105:94:99:255,255,0

chr1    899282  rs28548431  C   T   [CLIPPED]  GT:AD:DP:GQ:PL    0/1:1,3:4:25.92:103,0,26

 

其中最后面两列是相对应的，每一个tag对应一个或者一组值，如：

 

chr1：873762，GT对应0/1；AD对应173,141；DP对应282；GQ对应99；PL对应255,0,255。

 

GT：    表示这个样本的基因型，对于一个二倍体生物，GT值表示的是这个样本在这个位点所携带的两个等位基因。0表示跟REF一样；1表示表示跟ALT一样；2表示第二个ALT。当只有一个ALT 等位基因的时候，0/0表示纯和且跟REF一致；0/1表示杂合，两个allele一个是ALT一个是REF；1/1表示纯和且都为ALT；

 

AD：    对应两个以逗号隔开的值，这两个值分别表示覆盖到REF和ALT碱基的reads数，相当于支持REF和支持ALT的测序深度。

 

DP：    覆盖到这个位点的总的reads数量，相当于这个位点的深度（并不是多有的reads数量，而是大概一定质量值要求的reads数）。

 

PL:      对应3个以逗号隔开的值，这三个值分别表示该位点基因型是0/0，0/1，1/1的没经过先验的标准化Phred-scaled似然值（L）。如果转换成支持该基因型概率（P）的话，由于L=-10lgP，那么P=10^（-L/10），因此，当L值为0时，P=10^0=1。因此，这个值越小，支持概率就越大，也就是说是这个基因型的可能性越大。

 

GQ：   表示最可能的基因型的质量值。表示的意义同QUAL。

 

举个例子说明一下：

 

chr1    899282  rs28548431  C   T   [CLIPPED]  GT:AD:DP:GQ:PL    0/1:1,3:4:25.92:103,0,26

 

在这个位点，GT=0/1，也就是说这个位点的基因型是C/T；GQ=25.92，质量值并不算太高，可能是因为cover到这个位点的reads数太少，DP=4，也就是说只有4条reads支持这个地方的变异；AD=1,3，也就是说支持REF的read有一条，支持ALT的有3条；在PL里，这个位点基因型的不确定性就表现的更突出了，0/1的PL值为0，虽然支持0/1的概率很高；但是1/1的PL值只有26，也就是说还有10^(-2.6)=0.25%的可能性是1/1；但几乎不可能是0/0，因为支持0/0的概率只有10^(-10.3)=5*10^-11。

 

到现在为止，基本上就把vcf文件介绍完了，如果想要了解更多的关于tags的信息的话，可以参考《GATK使用方法详解》第四部分。

 

作者 葡萄糖

邮箱 [email protected]