当完成突变位点注释之后,我们会得到一个巨大的VCF文件,文件大小从几十M到几十G不等。在数量如此多的突变位点中,我们只会根据注释结果从中挑选部分感兴趣的突变位点,这就要求对VCF文件进行过滤。如此大的文件用Excel 操作是不现实的,脚本语言处理大文件时效果也不尽人意,所以SnpEff的开发团队专门开发了一款工具,叫做SnpSift, 用来对VCF文件进行过滤。
对VCF进行过滤是SnpSift最基本的功能,除此之外,还提供了许多非常实用的功能。软件是集成在SnpEff软件包中的, 在下载的SnpEff安装包中,就会有这款软件。
基本用法如下
cat variants.vcf | java -jar SnpSift.jar filter "(CHROM = "chr1")" > filtered.vcf上面的例子是删选位于1号染色体上的突变位点, CHROM = "chr1"就是筛选的条件表达式,用双引号包裹起来。`snpsift 提供了灵活的筛选策略,最核心的地方,就是条件表达式的写法,有以下几种用法
1. 单一值的变量
在VCF文件中,常用的字段都可以作为变量名称
1. CHROM
"( CHROM = "chr1" )"2. POS
"( POS > 123456 ) & ( POS < 654321 )"3. REF
"( REF = "A" )"4. ALT
"( ALT = "T" )"5. QUAL
"( QUAL > 30 )"6. FILTER
"( na FILTER ) | (FILTER = "PASS")"7. INFO
( DP > 10 ) & ( AF1 = 0 )2. 多个值的变量
当一个变量有多个值时,可以使用下标进行访问,下标从0开始,比如CI95=0.04167,0.5417,对这个变量的值进行筛选可以采用如下的写法
"( CI95[0] > 0.1 ) & (CI95[1] <= 0.3)"也可以采用通配符一次匹配多个下标,ANY和*的作用相同,至少一个值符合要求即可,写法如下
"( CI95[ANY] > 0.1 )""( CI95[*] > 0.1 )"ALL和?的作用相同,所有值都符合要求,写法如下
"( CI95[ALL] > 0.1 )""( CI95[?] > 0.1 )"3. 基因型信息
在表示基因型信息时,会看到如下的字段
GT:PL:GQ 1/1:255,66,0:63 0/1:245,0,255:99代表了两个样本的基因型相关信息,在筛选时,对于不同的样本即可以采用数字下标表示,也可以用样本名称表示
"( GEN[0].GQ > 60 )""( GEN[HG00097].GQ > 60 )"用GEN特指基因型信息,在对应样本时,可以用数字下标,也可以直接用样本名称,对于每个样本,会有GT, GQ, BL等信息,和样本之间用.点号连接。对于多个样本的基因型,也可以使用上面提到的通配符进行筛选。
4. 集合
当筛选一个变量的多种取值时,可以采用|逻辑或操作符进行连接,比如下面的示例,筛选位于1到3号染色体上的突变位点
"((CHROM = "chr1") | (CHROM = "chr2") | (CHROM = "chr3"))"但是当取值很多时,比如5个,10个,甚至更多,如果用|符号连接,对应的表达式就会特别的冗长,此时可以将这些值写到一个文件中,作为一个集合,每一行是一个值
chr1chr2chr3在筛选时,通过-s参数指定这个文件,用法如下
cat variants.vcf | java -jar SnpSift.jar filter -s set.txt > filtered.vcf
5. 操作符
在书写条件表达式时,用到的操作符如下
可以分成如下几类
1. 比较操作符
=, >, >=, <, <=
2. 正则匹配
=~和!~
3. 逻辑操作符
&,|,!
4. 特殊操作符
exists判断某个字段的值是否存在;has表示包含的意思,有些字段会有多个取值的情况,比如snpEFF在注释突变类型时,会有以下结果
intron_variant&nc_transcript_variant代表突变位点属于这两种突变类型,对这种突变类型过滤时,采用has操作符更加合适,写法如下
"ANN[*].EFFECT has "missense_variant""6. 函数
函数主要用来操作基因型信息,详细的列表如下
对于基因型,提出了以下4个概念
homozygous
heteroygous
variant
reference
homozygous代表纯合,比如0/0和1/1; heteroygous代表杂合,比如0/1;variant代表发生了突变,包括0/1, 1/1; reference代表没有发生突变,专指0/0;函数可以分成两大类型
第一种类型判断基因型的类型,is开头,包括以下4种
isHom
isHet
isVariant
isRef
第二种类型统计特定基因型的个数,`count开头,包括以下4种
countHom
countHet
countVariant
countRef
以上的规则对于所有的VCF文件都通用,对于SnpEff注释产生的VCF文件,包含以下几个特殊字段的信息
1. ANN
snpEff 注释的结果存储在ANN字段中,ANN字段中每个sub field对应的变量名称如下
ALLELE (alias GENOTYPE)
EFFECT (alias ANNOTATION):
GENE: Gene name
GENEID: Gene ID
FEATURE
FEATUREID (alias TRID: Transcript ID)
BIOTYPE:
RANK
HGVS_C
HGVS_P
CDNA_POS (alias POS_CDNA)
CDNA_LEN (alias LEN_CDNA)
CDS_POS (alias POS_CDS)
CDS_LEN (alias LEN_CDS)
AA_POS (alias POS_AA)
AA_LEN (alias LEN_AA)
DISTANCE
ERRORS (alias WARNING, INFOS)
条件表达式的写法如下:
"ANN[*].EFFECT has "missense_variant""由于ANN字段可以由多个feature构成,所以也是采用了数组的形式
2. EFF
旧版本的snpEff会将注释信息保存在EFF字段中, 每个sub field对应的变量名称如下
EFFECT
IMPACT
FUNCLASS
CODON
AA
GENE
BIOTYPE
CODING
TRID
RANK
条件表达式的写法如下:
"( EFF[0].EFFECT = "NON_SYNONYMOUS_CODING" )"3. LOF 和 NMD
这两个字段的变量相似,有以下几种
LOF.GENE | NMD.GENE
LOF.GENEID | NMD.GENEID
LOF.NUMTR | NMD.NUMTR
LOF.PERC | NMD.PERC
条件表达式的写法如下
"(exists LOF[*].PERC) & (LOF[*].PERC > 0.9)"通过snpsift, 可以方便灵活的对VCF文件进行过滤,在后续的文章中,还会介绍更多该软件实用的功能。
如果觉得《使用SnpSift filter对VCF文件进行筛选》对你有帮助,请点赞、收藏,并留下你的观点哦!