python通用讀取vcf文件的類（可以直接復制粘貼使用）

前言

  處理vcf文件的時候，需要多種切割，正則匹配，如果要自己寫其實會比較麻煩，並且每次還得根據vcf文件格式或者需要讀取的值不同要修改相應的代碼。因此很多人會選擇一些python的vcf的庫，但是首先你得安裝這個庫， 並且有一些庫它固定了能夠讀的內容，如果你的vcf的信息不在它固定的里面，就讀不出來。比如最近我想讀一個樣本的AF，但是它放在最后樣本的GT那列，不在INFO那一列，有一些庫竟然無能為力。
  因此我寫了這個通用的讀vcf的類，直接復制粘貼這部分代碼就可以方便的用這個類進行vcf文件的讀取，過濾，寫出等操作。

使用說明

• 首先復制類的代碼，后面就可以直接用了

import sys
import os
import subprocess

class Record(object):
    '''
    One line information in vcf file
    '''
    def __init__(self, line):
        info = line.split("\t")
        self.line = line
        self.CHROM =  info[0] 
        self.POS = info[1]
        self.ID = info[2]
        self.REF = info[3]
        self.ALT = info[4]
        self.QUAL = info[5]
        self.FILTER = info[6]
        self.INFO = [{pair_lst[0]: pair_lst[1] if len(pair_lst)> 1 else ""} for pair_lst in [pair.split("=") for pair in info[7].split(";")]]
        self.FORMAT = info[8].split(":")
        self.sample_num = len(info) -7
        self.GT = []
        for i in range(2):
           GT_value = info[8 + i +1].split(":") 
           GT_dict = {}
           for g in range(len(GT_value)):
               GT_dict[self.FORMAT[g]] = GT_value[g] 
           self.GT.append(GT_dict) 
      

class VCF(object):
    '''
    VCF class, read VCF, write VCF, get VCF information
    '''
    def __init__(self, uncompress_vcf):
        self.header = []
        self.reader = open(uncompress_vcf, 'r')
        self.line = self.reader.readline().strip()
        while self.line.startswith('#'):
            self.header.append(self.line)
            self.line = self.reader.readline().strip()
        self.record = Record(self.line) 
    def __iter__(self): 
        return self 
    def __next__(self): 
        self.line = self.reader.readline().strip()
        if self.line != "":
            self.record = Record(self.line) 
            return self.record
        else:
            self.reader.close()
            raise StopIteration()
    def reader_close(self):
        self.reader.close()   

• 主要有兩個類，一個是VCF類,存儲的是vcf的信息，及對vcf文件的操作，一個是Record類，它包括vcf某一行存儲的全部信息
• 讀入vcf文件

gatk_result = "realignment.vcf"
gatk = VCF(gatk_result)

• 查看vcf的header

gatk.header

• 查看vcf當前行中儲存的信息，一開始是首行。它以Record這個類保存的。注意VCF類是個迭代器類，可以用next和for循環來讀入每一行的信息

record = gatk.record  #這里record存儲的是該Record類的地址

• 查看該record的屬性，包括line(行的內容，方便寫出某行), CHROM, POS, ID，REF,ALT, QUAL, FILTER, INFO(字典的形式存儲), FORMAT, sample_num(多少個樣本),GT（樣本的基因型信息，這里在vcf一般是在后面用樣本名表示的列）

record.CHROM
record.line
record.ID #其他的屬性同理

• INFO的讀取
  這是vcf中INFO的原始表示

CONTQ=28;DP=38;ECNT=1;GERMQ=76;MBQ=20,37;MFRL=171,229;MMQ=60,60;MPOS=26;NALOD=1.16;NLOD=3.91;
POPAF=6.00;RCNTS=0,0;ROQ=14;SEQQ=1;STRANDQ=11;TLOD=4.56

它在record中的存儲形式

record.INFO

[{'CONTQ': '28'}, {'DP': '38'}, {'ECNT': '1'}, {'GERMQ': '76'}, {'MBQ': '20,37'}, {'MFRL': '171,229'}, {'MMQ': '60,60'}, {'MPOS': '26'}, {'NALOD': '1.16'}, {'NLOD': '3.91'}, {'POPAF': '6.00'}, {'RCNTS': '0,0'}, {'ROQ': '14'}, {'SEQQ': '1'}, {'STRANDQ': '11'}, {'TLOD': '4.56'}]

• GT的讀取
  這是GT在vcf的存儲形式，FORMAT對應着GT的值

GT:AD:AF:DP:F1R2:F2R1:OBAM:OBAMRC:OBF:OBP:OBQ:OBQRC:SB 0/1:21,2:0.120:23:7,1:13,1:false:true:0.500:0.078:100.00:41.80:12,9,1,1 0/0:13,0:0.065:13:7,0:6,0:false:false:.:.:.:.:10,3,0,0
分別是FORMAT， tumor樣本GT, normal樣本GT對應的值

這是在record中的存儲形式

record.GT

[{'GT': '0/1', 'OBQRC': '41.80', 'SB': '12,9,1,1', 'DP': '23', 'OBF': '0.500', 'OBAM': 'false', 'OBP': '0.078', 'AD': '21,2', 'F2R1': '13,1', 'F1R2': '7,1', 'AF': '0.120', 'OBQ': '100.00', 'OBAMRC': 'true'}, {'GT': '0/0', 'OBQRC': '.', 'SB': '10,3,0,0', 'DP': '13', 'OBF': '.', 'OBAM': 'false', 'OBP': '.', 'AD': '13,0', 'F2R1': '6,0', 'F1R2': '7,0', 'AF': '0.065', 'OBQ': '.', 'OBAMRC': 'false'}]
第一個字典就是tumor的GT，第二個字典就是normal的GT，當然，根據你的樣本數量會有多個字典，這里可以按索引取出比如要取出第一個樣本的，只需要record.GT[0]就行

• 把tumor AF大於0.5的line打印出來

for record in gatk:
    # compare GATK tumor AF to 0.05
    if float(record.GT[0]['AF']) > 0.05:
        print(record.line)

• 把FILTER為PASS的並且tumor AF>0.05寫入列表並寫出最后的VCF文件

snv = "filter.vcf"

result = gatk.header
for record in gatk:
    if record.FILTER == "PASS" and float(record.GT[0]['AF']) > 0.05:
        result.append(record.line)

# write out result
with open(snv, 'w+') as snvf:
    for line in result:
        print(line, file = snvf)

• 查看gatk的下一個record， 因為VCF類是可迭代的，因此除了for也支持next

record = next(gatk)
print(record.line)