vcf格式文件處理大全（四）

生物_醫(yī)藥_科研 2019-09-05

展開全文

前面介紹過fasq，fastq，bam三種生物數(shù)據(jù)分析中常用的格式。fasta一般作為比對的參考序列，fastq為測序數(shù)據(jù)，將fastq比對到fasta則生成bam文件，對bam進行排序建立索引，就可以直接輸出為vcf格式，這個系列我們來詳細介紹一下vcf格式的操作。

13 Annovar注釋

annovar也是一款比較有名的變異位點注釋工具，使用起來也非常容易，使用vcf格式就可以進行注釋，軟件會首先對其進行格式轉換，然后進行注釋。

#生成annovar格式  
convert2annovar.pl -format vcf4old A1.snps.indel.VQSR.vcf.gz >A1.annovar.input    
#gene-based注釋  
annotate_variation.pl --geneanno -buildver hg38 --outfile A1.geneanno.anno A1.annovar.input humandb/

14 clinvar臨床數(shù)據(jù)庫注釋

clinvar是收集了與人類疾病相關突變位點的數(shù)據(jù)庫，將得到的突變位點與clinvar數(shù)據(jù)庫進行比對即可根據(jù)突變情況進行疾病的預測。使用clinvar數(shù)據(jù)庫首先需要下載clinvar數(shù)據(jù)庫，下載之后可以使用snpEFF后者annovar軟件進行注釋。

#clinvar注釋  
convert2annovar.pl -format vcf4old A1.HC.snps.indel.VQSR.vcf.gz >A1.annovar.input  
annotate_variation.pl --filter -buildver hg38 --outfile A1.clinvar.anno A1.annovar.input -dbtype clinvar_20180603 humandb/

15 一致性序列

所謂一致性序列，就是一條與參考序列長度一致，但是僅將突變位點進行替換的序列，一致性序列完全根據(jù)參考序列為模板生成，是并不存在的序列，主要用于后面構建系統(tǒng)發(fā)育樹。

bcftools consensus -f ref.fna -s Sample1 -o Sample1_consensus.fa file.vcf.gz

16 VQSR

VQSR是Variant Quality Score Recalibration，是GATK的核心功能，也就是利用機器學習算法對vcf進行過濾。利用機器學習算法對突變位點進行過濾比采用“一刀切”對所有位點處理的方式準確性更高。進行VQSR，首要要準備的已知變異集作為訓練集，可以是Hapmap、OMNI，1000G，dbsnp，瓶中基因組計劃等這些國際性項目的數(shù)據(jù)，然后利用訓練集對每一個位點進行過濾。利用VariantRecalibrator工具進行機器學習，ApplyVQSR工具進行處理。VQSR過濾SNP和InDel分別進行，首先處理SNP，得到結果后，在進行InDel處理。具體方法可以參加gatk軟件的VQSR說明部分。

https://gatkforums./gatk/discussion/39/variant-quality-score-recalibration-vqsr

---------- END ----------