python安裝vcf庫,vc調用python

本文目錄一覽：

• 1、跟著Nature ecology and evolution學python：vcf文件轉換成fasta文件
• 2、基於vcf文件構建進化樹
• 3、python如何讀取xml中的list表，並將其轉換成如下VCF格式輸出？請給出具體程序，編譯成功給分
• 4、生物數據格式 – vcf/bcf
• 5、將多個樣本的vcf文件轉化為Phylip輸入格式的python腳本
• 6、怎麼讀取千人基因組中的vcf數據格式文件

跟著Nature ecology and evolution學python：vcf文件轉換成fasta文件

本地pdf文件

A polar bear paleogenome reveals extensive ancient gene flow from polar bears into brown bears.pdf

這個腳本用到了 Pool python多線程處理，主要學習這個內容

如果是在windows系統下運行腳本

abc是一個文件夾，需要在當前目錄下存在

這裡會遇到報錯 NameError: name ‘dict_run’ is not defined 這裡的dict_run是使用global定義到函數里的一個變數，linux系統下就沒有這個問題，windows學習通下的python是3.8.3，linux系統下的python版本是3.9.1

使用腳本的時候linux系統下不知道為啥用tab鍵不能補全文件名，暫時不知道是什麼原因

腳本里定義了每種基因型對應的鹼基序列

這裡非純合的位點定義為M R W這些是為啥，暫時想不明白

這個腳本有局限是，他定義了vcf文件的基因型

如果vcf文件的基因型不是這些的話就會報錯keyError

這裡Pool這個函數好像是必須搭配 if __name__ == ‘__main__’: 這個語句

參考鏈接

小明的數據分析筆記本

基於vcf文件構建進化樹

===========第一種方法利用VCF2Dis生成距離矩陣===================

VCF2Dis -i all.chromosome.SNP.changID.vcf -o p_dis.mat  //我大概600多份樣品，也運行了3天左右

然後利用fastme轉化成為樹的格式（nwk）（鏈接：）

轉化為newick格式

我個人喜歡iTol（）來調整樣式

==================第二種方法 轉化vcf文件為phylip 格式==========

python vcf2phylip.py –input myfile.vcf –fasta –nexus 

然後，利用phylip構建進化樹

phylip 在命令行中可以根據提示輸入參數，也可以用含有參數的文本導入參數。

利用 dnadist：計算距離矩陣，最耗時，幾千個SNP可能需要1天甚至數天。 參數文本dnadist.par //有點耗時間

$ cat dnadist.par

myfile.vcf.phy

2 #將軟體運行情況顯示出來

Y #確認以上設定的參數

$ dnadist dnadist.par

$ mv outfile dnadist.out

生成距離矩陣，然後利用neighbor: Neighbor-Joining 構建進化樹

我最好還是在iTOL裡面進行樣式調整

python如何讀取xml中的list表，並將其轉換成如下VCF格式輸出？請給出具體程序，編譯成功給分

1.可以使用ElementTree模塊

from xml.etree.ElementTree import ElementTree

from xml.etree.ElementTree import Element

from xml.etree.ElementTree import SubElement

from xml.etree.ElementTree import dump

from xml.etree.ElementTree import Comment

from xml.etree.ElementTree import tostring

2.可以使用BeautifulSoup模塊

生物數據格式 – vcf/bcf

VCF是Variant Call Format的簡稱，該格式文件是專門用於存儲基因序列突變信息的一種文本文件，包括單鹼基突變SNV、單核苷酸多態性SNP、InDel、拷貝數變異CNV和結構變異SV等，文件可以採取editplus或pilotedit(建議)打開查看，其二進位存儲格式是BCF。vcf文件後續可以用於多種分析，包括但不限於：進化樹分析、群體結構分析、PCA分析、GWAS關聯分析等。vcf文件格式如下：

VCF文件開頭是整體的注釋信息，以##作為起始，其後接FILTER、INFO、FORMAT等，其中##FILTER開頭的行是vcf主體record中第七列縮寫詞的說明、##INFO開頭的行注釋vcf主體record中第8列的縮寫字母、##FORMAT開頭的行注釋第九列的縮寫字母。

在header之後，vcf主體的每一行是一條record，固定列有9列，以及在之後的第十列，它們分別是：

第一列：#CHROM，染色體號

第二列：POS，在染色體上的位置

第三列：ID，突變名稱，一般只有人類才有dbSNP編號，以rs開頭

第四列：REF，參考基因組鹼基類型，必須大寫

第五列：ALT，變異鹼基類型，大寫，多個以逗號分隔，『.’表示缺失

第六列：QUAL，變異檢測質量值，越高越可靠

第七列：FILTER，標記過濾結果的列：通過質控過濾標準的標記為『PASS』，後續可用其他工具進行挑選過濾

第八列：INFO，附加信息列，附加信息的注釋在header的##INFO中

第九列：FORMAT，後面信息的說明列

第十列開始為樣品信息：GT=genotype、AD=鹼基支持數量、DP=測序深度總和、PL=歸一化後基因型的可能性、GQ=PL判讀的基因型的質量值，其中當第二小的值小於99時，有必要懷疑基因型的可靠性。

vcf文件基本由bam文件生成，當得到排序並建立索引的bam文件後，可以使用多種工具例如bcftools、gatk、freebayes、lumpy、delly、varscan2等處理得到。

處理vcf格式文件的軟體有許多種，包括：bcftools、vcftools、gatk、python_pyvcf、plink等。

———以上屬個人理解與記錄

將多個樣本的vcf文件轉化為Phylip輸入格式的python腳本

但是phylip又不能直接把vcf文件作為輸入文件，它的輸入格式要求如下

第一行的兩個數字分別為樣本數和SNP數目

第二行的第一列為物種名稱，一定要是10個字元的長度，長度不足可以用空格填充.第二列則是要用於比對的SNP序列。兩列之間沒有分隔符，而且後面的SNP每10個字元有一個空格.

python腳本如下：

可以選擇輸出fasta文件或者phy文件

怎麼讀取千人基因組中的vcf數據格式文件

（看到這個問題是近3年前的，提問者應該早就知道了，但好像沒有正確的回答，就在這裡回答一下希望對別的搜索的問題的人有幫助）

既然知道vcf文件，就默認你是在linux系統下操作的。

1）只是查看的話：如果是.vcf.gz壓縮格式，就使用這個命令：less yourfile.vcf.gz，打開亂碼試試這個：bcftools view yourfile.vcf.gz |less ；如果不是壓縮格式: less yourfile.vcf就可以查看。

2）如果是要操作vcf的話：就用python，導入pysam模塊，沒有這個模塊要下載。pysam模塊下載：pip install pysam，如果下不了就自己網上搜一下。順便提供一個pysam的說明文檔，有操作示例：網頁鏈接