vcf格式文件处理大全

image.png

• 1 生成
  vcf基本上都是直接从bam格式文件中生成的，可以使用bcftools，gatk，freebayes，lumpy，delly等工具。

• 2 格式转换
  vcf是文本格式，可以直接打开查看，bcf为二进制格式，不能直接使用less命令查看，但是二进制会节约存储。

bcftools view A1.vcf -O b -o A1.bcf.gz
-o:输出结果文件
-O：数据文件格式

• 3 建立索引
  bcftools index 默认生成csi格式索引，加-t选项生成tbi格式索引。

• 4 查看固定区域

多个区域需要bed文件。
bcftools view A1.bcf.gz -R region.bed

• 5 统计

bcftools stats
plot-vcfstats

• 6 查看固定信息

使用bcftools的query功能筛选。
每个关键字前面使用%，“\t”或者“\n”代表制表符与换行符。

• 7 合并多个结果
  bcftools merge

• 8 拆分SNP与InDel
  可以使用bcftools view的-v选项，后面可以接snps与indels或者mnps等。

• 9 过滤

变异检测的策略一般是先找全，然后在找准。也就是软件首先输出尽可能多的结果，保存到vcf文件中，然后在采取不同的标准对vcf进行过滤。过滤可以采取很多的标准，一般包括测序深度，打分制，碱基质量值，先验概率等。可以使用bcftools的filter功能，关键是要掌握其表达式EXPRESSIONS的写法。

• 10 注释

主要是将突变位点定位到基因组上，确定突变发生在哪个基因。另外一种注释就是与已知突变位点进行比较，定位到已知的rs number号上面。

bcftools annotate -

• 11 SNPeff注释

snpeff主要用来预测snp突变的影响，包括氨基酸变化等
snpsift的功能是用来操作变异结果文件，需要使用相关数据库。

• 12 Annovar注释

• 13 clinvar临床数据库注释
  clinvar是收集了与人类疾病相关突变位点的数据库，可根据突变情况进行疾病的预测。需要下载clinvar数据库，之后使用snpEFF或者annovar软件进行注释。

• 14 一致性序列

主要用于构建系统发育树。
bcftools consensus

• 15 VQSR

VQSR是Variant Quality Score Recalibration，是GATK的核心功能，也就是利用机器学习算法对vcf进行过滤。