vcftools安装及基础用法
2021-09-16 本文已影响0人
Wei_Sun
vcftools是一种可以对VCF文件和BCF文件进行格式转换及过滤的工具，功能非常强大，而且运算速度也很快。
1.下载及安装
1.1 下载地址
http://vcftools.sourceforge.net/downloads.html
1.2 安装
进入压缩包目录，进行解压。
$ cd /gss1/home/sunwei/software
$ tar xvf vcftools_0.1.13.tar.gz
$ cd /gss1/home/fzhang/sunwei/vcftools_0.1.13/bin
检查安装是否成功
$ vcftools
VCFtools (v0.1.13)
© Adam Auton and Anthony Marcketta 2009
Process Variant Call Format files
For a list of options, please go to:
https://vcftools.github.io/examples.html
Questions, comments, and suggestions should be emailed to:
vcftools-help@lists.sourceforge.net
2. 基础用法
2.1 vcf文件加ID
add id.pl拷贝至vcftools/bin目录下
add id.pl是一个老师写的脚本，这里不好直接放上来，所以需要添加id的话，请大家再去查找其他的教程，这里只是我自己做个备份。
perl add_id.pl root.hic.vcf root.hic.id.vcf
2.2 分开indel和SNP
只输出indel
vcftools --vcf root.hic.id.vcf --keep-only-indels --recode --recode-INFO-all --out root.hic.id.indel
只保留SNP
vcftools --vcf root.hic.id.vcf --remove-indels --recode --recode-INFO-all --out root.hic.id.snp
2.3 vcf文件过滤
vcftools --vcf root.hic.id.vcf --max-missing 0.8 --maf 0.05 --min-alleles 2 --max-alleles 2 --recode --recode-INFO-all --out root.hic.id.int0.8maf0.05.allele2
max-missing:分型完整度
maf：第二等位基因频率
min-alleles:最小等位基因个数
max-alleles:最大等位基因个数
哈迪温伯格平衡 hwe filtering（通常在人类中使用）
vcftools --vcf root.hic.id.vcf --remove-indels --max-missing 0.8 --maf 0.05 --min-alleles 2 --max-alleles 2 --hwe 0.01 --recode --recode-INFO-all --out root.hic.id.snp.hwe0.01
2.4 文件格式转换
转换vcf格式为ped map格式
vcftools --vcf root.hic.id.vcf --plink --out root.hic
2.5 vcf文件拆分
准备一个samplelist文件，即需要的样本的ID
vcftools --vcf hic.sort.ref.vcf --recode --recode-INFO-all --keep samplelist.txt --out root
详细说明书见官网：
http://vcftools.sourceforge.net/
2.6 统计等位基因频率
第一条染色体上的等位基因频率，注意vcf文件中chr的大小写。
结果中第一列是染色体；第二列SNP位置；第三列是这个位置一共出现了几种碱基，这里是两个；第四列是该位置出现的碱基总数，这里一个样本贡献了两个碱基位点；后面是该位置出现的碱基对应的频率。
$ vcftools --vcf root.id.vcf --freq --chr Chr1 --out Chr1_analysis
$ head -n 5 Chr1_analysis.frq
CHROM POS N_ALLELES N_CHR {ALLELE:FREQ}
Chr1 5154 2 286 C:0.713287 T:0.286713
Chr1 5187 2 296 A:0.614865 G:0.385135
Chr1 5220 2 282 A:0.241135 T:0.758865
Chr1 50889 2 294 A:0.870748 G:0.129252
计算整体文件中的等位基因频率
$ vcftools --vcf root.id.vcf --freq --out allel_analysis
$ tail -n 5 allel_analysis.frq
scaffold995 3028 2 304 G:0.927632 A:0.0723684
scaffold995 3082 2 304 G:0.842105 A:0.157895
scaffold995 3168 2 298 T:0.946309 C:0.0536913
scaffold995 3185 2 292 C:0.89726 T:0.10274
scaffold995 3228 2 302 A:0.407285 C:0.592715
2.7 比较两个vcf文件的变异位点
结果文件中的第一列是染色体；第二列和第三列是文件1和文件2中SNP位置；第四列中B表示两个文件中都有这个碱基，如果是1则表示只有文件1中有这个碱基，如果是2同理。
$ vcftools --vcf root.id.vcf --diff fei.id.vcf --diff-site --out in1_v_in2
$ head -n 5 in1_v_in2.diff.sites_in_files
CHROM POS1 POS2 IN_FILE REF1 REF2 ALT1 ALT2
Chr1 5154 5154 B C C T T
Chr1 5187 5187 B A A G G
Chr1 5220 5220 B A A T T
Chr1 50889 50889 B A A G G
