摘要

接到一个wgs项目，要帮助客户统计vcf文件中snp突变频率，比较两个样品的突变位点。这个工作在上一个项目中是手动处理的，当时参考序列短，突变位点少。这次经过比对后，发现了有个样品有上万个snp位点，肯定不能用手动处理的方式。因此，写了一个脚本来统计各个样品的突变频率。
需要统计的信息
包括染色体，突变位置，参考位点，各样品突变位点，突变率（AD杂合位点覆盖度/DP总覆盖度）

环境与方法

python 3.7
R version 3.6.1 

使用代码

统计各样品各位点突变频率
我们输入的vcf文件为GATK经过去重过滤后生成的，

bash python snp_frequency.py XX.snp.vcf

  import csv
        import sys
        vcf_file = sys.argv[1] #文件调用vcf文件
        genome_file = open(vcf_file,'r')
        gtf_file = vcf_file.replace('_snp.vcf','')# 去除文件名后缀
        genome_line = genome_file.readlines()
        #genome_list = genome_line.split()
        newgtf_name = '%s_stat'%gtf_file #保留样品名
        desktop_path = './'
        file_path = desktop_path+newgtf_name+'.csv' #确定文件路径和文件名，生成文件
        file = open(file_path,'w')
        for i in genome_line:
            snp_pos = i.split('\t')
            if "#" in snp_pos[0] and len(snp_pos) > 8:
                title = snp_pos[0]+'\t'+snp_pos[1]+'\t'+snp_pos[3]+'\t'+snp_pos[4]+'\t'+'%s_FRE'%vcf_file+'\n' 
                file.write(title)
            if "#" not in snp_pos[0] and len(snp_pos) > 8:
                info = snp_pos[9].split(':')
                AD = info[1].split(',')
                AD_0 = int(AD[0])#转化为数字，后面需要加和
                AD_1 = int(AD[1])
                AD_total = int(AD[0])+int(AD[1]) #杂合子覆盖度求和
                DP = info[2]
                out_line = snp_pos[0]+'\t'+snp_pos[1]+'\t'+snp_pos[3]+'\t'+snp_pos[4]+'\t'+'%.0f'%AD_total+'/'+DP+'\n' #提取信息列
                #print(out_line)
                file.write(out_line)
        file.close()
        genome_file.close()

将比较样品进行合并，比较不同样品的突变情况。

WT=read.csv("USA_300_WT_stat.csv",header=T,sep='\t',check.names=F) S1=read.csv("USA_300_S1_stat.csv",header=T,sep='\t',check.names=F)
S2=read.csv("USA_300_S2_stat.csv",header=T,sep='\t',check.names=F)
WT_1 <- merge(WT,S1, all = TRUE) #合并WT和S1样品突变位点信息，不会对已有列进行重复（chr、pos、REF、ALT等）
WT_2 <- merge(WT,S2, all = TRUE) #同上
write.csv(WT_2,"USA_WT_vs_S2_snpstat.csv")
write.csv(WT_1,"USA_WT_vs_S1_snpstat.csv")

分析结果

得到.csv格式文件，这里用editplus打开

总结

WGS的最初的目的是为了寻找突变位点，这里是进行样品间比较，客户更需要的数据不是都发生突变的位点，而是某一个位点在其中一个样品发生突变（比如S1有S2无，反之亦然）。这样可以找到不同处理下的突变位点，深入研究。