SnpSift学习笔记(二)

本篇主要介绍interval, intidx, split, extractFields这四个命令。

1. intervals

intervals命令根据提供的BED文件中定义的染色体区间，去筛选VCF文件，用法如下

cat variants.vcf | java -jar SnpSift.jar intervals my_intervals.bed > variants_intersecting_intervals.vcf

需要注意以下两点

1. BED文件中染色体起始位置从0开计数，在实际处理时，只需要前三列，即chr\tstart\tend的信息，其它列的信息会被忽略，意味只只根据区间筛选，不考虑正负链的信息；
2. 在使用intervals命令时，默认情况下只输出位于BED文件区间上的突变位点；如果添加-x参数，会过滤掉位于BED文件区间上的突变位点，将剩余的突变位点输出；

2. intidx

intidx是intervals index的缩写，作用和intervals命令相似，都是根据提供的BED文件中定义的染色体区间，去筛选变异位点。唯一的区别在于intidx是针对比较大的VCF文件的，在处理时会对VCF文件构建索引，在处理大文件速度更快，用法如下

java -jar SnpSift.jar intidx variants.vcf my_intervals.bed > variants_intersecting_intervals.vcf

如果你感兴趣的目标区域只有两三个，这个命令还提供了一种简单用法，不必提供BED文件来定义染色体区间，而是直接将染色体区间当成命令行参数，用法如下

java -jar SnpSift.jar intidx -c variants.vcf chr1:12345-23456 chr2:3456789-4567890  > variants_intersecting_intervals.vcf

在这种用法中，和BED文件的从0开始计数不同，染色体的起始位置从1开始计数的，这点需要特别注意。

3. split

split命令用于拆分VCF文件，既可以按照每条染色体拆成不同文件，也可以按照行数进行拆分。除了拆分之外，split也可以合并多个VCF文件。

最典型的使用场景就是把一个非常大的VCF文件首先拆分成几个小的VCF文件，对这几个小的VCF文件并行处理，然后将处理之后的结果在合并，这样会加速大型VCF文件的处理速度。

基本用法如下：

java -jar SnpSift.jar split myHugeVcf.vcf.gz

默认按照染色体拆分，会生成myHugeVcf.1.vcf, myHugeVcf.2.vcf,..., myHugeVcf.X.vcf等文件。

按照行数拆分的示例如下

java -jar SnpSift.jar split -l 10000 myHugeVcf.vcf.gz

按照行数拆分会生成myHugeVcf.001.vcf, myHugeVcf.002.vcf等文件。需要注意的是，每个拆分好的VCF文件都会有header部分，这里的10000行指的是正文内容。

split合并VCF文件的用法如下

java -jar SnpSift.jar split -j huge.000.vcf huge.001.vcf huge.002.vcf > huge.out.vcf

4. extractFields

从VCF文件中提取指定字段的信息，输出文件为\t分隔的文本文件，可以导入到R，Excel等软件中。 对于标准的VCF格式，每个字段的写法如下

1. CHROM
2. POS
3. ID
4. REF
5. ALT
6. FILTER

对于INFO字段，也可以提取其中的sub filelds。对于SnpEFF注释产生的VCF文件

ANN字段中的sub filelds的写法如下

1. “ANN[*].ALLELE”
2. “ANN[*].EFFECT”
3. “ANN[*].IMPACT”
4. “ANN[*].GENE”
5. “ANN[*].GENEID”
6. “ANN[*].FEATURE”
7. “ANN[*].FEATUREID”
8. “ANN[*].BIOTYPE”
9. “ANN[*].RANK”
10. “ANN[*].HGVS_C”
11. “ANN[*].HGVS_P”
12. “ANN[*].CDNA_POS”
13. “ANN[*].CDNA_LEN”
14. “ANN[*].CDS_POS”
15. “ANN[*].CDS_LEN”
16. “ANN[*].AA_POS”
17. “ANN[*].AA_LEN”
18. “ANN[*].DISTANCE”
19. “ANN[*].ERRORS”

对于旧版本产生的EFF字段，其中的sub filelds的写法如下

1. “EFF[*].EFFECT”
2. “EFF[*].IMPACT”
3. “EFF[*].FUNCLASS”
4. “EFF[*].CODON”
5. “EFF[*].AA”
6. “EFF[*].AA_LEN”
7. “EFF[*].GENE”
8. “EFF[*].BIOTYPE”
9. “EFF[*].CODING”
10. “EFF[*].TRID”
11. “EFF[*].RANK”

LOF字段中的sub filelds的写法如下

1. “LOF[*].GENE”
2. “LOF[*].GENEID”
3. “LOF[*].NUMTR”
4. “LOF[*].PERC”

NMD字段中的sub filelds的写法如下

1. “NMD[*].GENE”
2. “NMD[*].GENEID”
3. “NMD[*].NUMTR”
4. “NMD[*].PERC”

示例用法, 提取CHROM等标准字段的值

java -jar SnpSift.jar extractFields s.vcf CHROM POS ID AF | head
#CHROM POS ID AF
1 69134 0.086
1 69496 rs150690004 0.001
1 69511 rs75062661 0.983

更多的extractFields的示例可以参考官方文档，链接如下

http://snpeff.sourceforge.net/SnpSift.html#Extract