生信技能64 - 提取VCF文件全部样本的双等位基因深度

最新推荐文章于 2025-11-25 14:03:37 发布
最新推荐文章于 2025-11-25 14:03:37 发布
阅读量347 收藏
点赞数 3
CC 4.0 BY-SA版权
分类专栏： 生信分析项目实战技能合集 文章标签： 数据分析 python 数据挖掘
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/LittleComputerRobot/article/details/144420975

本方法可实现快速提取VCF文件中全部样本的的双等位基因深度数据，并提取各类型数据至Tab分割的文本文件中。

1. 数据处理逻辑

  1. indels去除并单独保存至infile.vcf.indel文件中；
  2. SNP非双等位基因的被去除并单独存储至infile.vcf.polyallele文件中；
  3. 冗余位点被去除并保存至infile.vcf.posred文件中；
  4. ./. 被转换为 0,0

2. 运行示例

python parser_vcf.py sample.vcf

*.snp.vcf.ra.tab结果文件：

结果
结果

3. 主脚本程序

# parser_vcf.py

#输入
了解本专栏 订阅专栏 解锁全文 超级会员免费看
生信技能44 - 西湖(中国)生物样本库汉人数据下载和等位基因频率过滤VCF
LittleComputerRobot的博客
04-19 489
Westlake BioBank for Chinese (WBBC) 西湖(中国)生物样本库数据下载及过滤
vcf样本基因型提取--PyVCF处理
weixin_42594968的博客
09-15 2390
需要提取vcf文件的样本基因型，原始文件： 代码： import vcf vcf_reader = vcf.Reader(filename=r"I:/1000GenomeProject/vcftools_filter/chr22_filter.recode.vcf") genomeType=[] for record in vcf_reader: # 样本个数 # print(record._sample_indexes) # 样本基因型 # 把FORMAT信息作为键，后
Python--从VCF文件中提取出各个样本的变异信息，并按特定的格式重新组织这些数据
qq_64400864的博客
05-25 1741
归一化后各基因型的可能性，通常有三个数字用','隔开，顺序对应AA,AB,BB基因型，A代表REF，B代表ALT(也就是0/0, 0/1, and 1/1)，由于是归一化之后，数值越小代表基因型越可靠；它首先解析VCF文件中的各列，然后针对每个样本的数据，提取和处理基因型信息、深度信息等，最后将处理后的数据重新组织并写入到输出文件中。，因为在GATK中再大的值是没有意义的，第二小的数大于99的话一般说明基因型的判读是很可靠的，只有当第二小的数小于99的时候，才有必要怀疑基因型的可靠性。
【python】使用pysam读取sam/vcf/fasta文件时的常用属性
热门推荐
lillianqdzpw
08-04 1万+
判定该记录序列信息是read1或read2，是否是反向比对？判定该记录序列信息是否未比对上？配对序列是否反向比对？配对序列是否未比对上？读取sam文件时，熟悉一些常用的属性。如何将读取的信息转换成字符？............
vcf文件格式详解： 主要讲解FORMAT和之后的样本格式信息
WLDLSW的博客
04-06 1734
记录的信息是GT基因判定的标准，随着测序深度的增加，一个位点的基因型三种类型都可能会出现（0/0，0/1，1/1 三者代表aa, Aa,AA a代表参考位点，A代表比对位点），那么应该判定该位点是什么基因型呢，就出现了PL的算法：归一化后各基因型的可能性。Genotype 基因型，主要包括 0/0 0/1 1/1。支持参考位点和比对位点的reads个数，因此有两个数值，参考位点，比对位点 DP 测序深度，其实等于AD的值的和。三个数值，依次代表0/0，0/1，1/1的可能性数值。
格式说明_vcf格式说明
weixin_28870939的博客
01-12 1484
2020-8-2其中GQ 代表genotype quality,Phred格式(Phred_scaled)的质量值，Phred值 = -10 * log (1-p) p为基因型存在的概率，表示该位点基因型存在的可能性。 和碱基质量值的表示一样，20表示错误率为1%。AA :ancestral allele 祖先等位基因AC : allele frequency for each ATL...
生信软件14 - bcftools提取和注释VCF文件关键信息
LittleComputerRobot的博客
03-29 6525
VCFtools可用于变异信息的描述性统计，计算，过滤和格式转换。
生信软件44 - 比PyVCF更高效的VCF解析Python库cyvcf2
LittleComputerRobot的博客
02-07 1166
cyvcf2 是一个基于 Cython 的高性能 VCF 文件解析库，专门用于快速读取和处理基因组变异数据（VCF 格式）。与传统的 Python VCF 解析库（如 PyVCF）相比，cyvcf2 的解析速度可提升10-100 倍，尤其适合处理大规模基因组数据（如全基因组测序数据）。直接读取压缩的.vcf.gz文件，无需预先解压基于 C 语言优化，内存占用低，解析速度快提供类似 Python 列表的迭代接口，支持按染色体或区域查询可访问 VCF 头部的所有信息。
DNA 5. 基因组变异文件VCF格式详解
weixin_41368414的博客
05-24 6566
基因组变异文件VCF格式详解包括SNV和SV，SV部分有些复杂，大家真正使用的时候可以下载VCF格式说明！
PLINK-GWAS学习4------数据质控之过滤稀有突变
sweet_yemen的博客
08-19 1334
根据MAF筛选SNP,对于常见的表型，稀有突变的作用一般较小，同时如果针对稀有突变进行选育或者研究时需要最小等位基因需要足够的个体数，那么这就需要有足够大的抽样群体，费时费力。
双等位基因(biallelic sites )和多等位基因(multiallelic sites)
weixin_34113237的博客
10-14 7565
双等位基因(biallelic sites ):表示在基因组的某个位点上有两个等位基因，如下图第七个位点所示，有G/-两种形式： 多等位基因(multiallelic sites)：表示在基因组的某个位点上存在有多个等位基因，如下图第七个位点所示，在不同的样本中，有G、C、T、-几种形式： 转载于:https://www.cnblogs.com/chenwenyan/p/5961470....
基于 Python 的大数据处理项目方案：电商用户行为数据分析平台
weixin_47681855的博客
11-25 41
本文介绍了一个电商用户行为数据分析项目的技术实现方案。项目旨在整合多源异构数据，构建高效的数据处理框架，支持TB级数据的实时和离线分析。技术选型采用PySpark作为核心处理引擎，结合Dask、Pandas等工具实现数据采集、清洗、转换和存储。项目采用分层架构设计，包含数据层、采集层、处理层、存储层和应用层，并通过实例代码展示了基于PySpark的用户行为分析流程，包括数据清洗、核心指标计算（如DAU、商品点击TOP10）和用户特征提取。该方案可有效支撑用户画像构建、精准营销等业务需求。
MySQL数据分析应用
2509_93942660的博客
11-22 449
说实话，MySQL做数据分析确实有些局限，比如机器学习算法支持不够，可视化也得借助其他工具。但在快速产出业务洞察、构建简单数据看板时，直接基于业务数据库做分析还是很高效的。关键是要活用SQL的各种特性，把数据处理逻辑尽量放在数据库层面，这样才能发挥最大效能。数据分析最头疼的就是数据质量，我习惯先用几个语句快速排查问题。这些技巧都是实际项目中总结出来的，希望能帮到大家。数据分析这条路，边做边学最重要，共勉！性能优化方面，有几个特别要注意的点。接下来重点说说窗口函数，这真是数据分析的神器。
增强城市数据分析：多密度区域的自适应分区框架
May the Force be with you
11-22 919
在城市科学研究中，，无论是犯罪预防、交通规划还是公共服务布局，区域划分的合理性直接决定后续模型精度与结论可靠性。正是这些问题，促使研究团队设计一套能适配多密度数据、跨场景通用且能缓解MAUP影响的区域划分框架。
如何高效完成科研数据的初步分析？深度体验PaperXie AI科研工具中数据分析模块在统计描述、可视化与方法推荐场景下的实际应用表现
paperxie_xiexuo的博客
11-21 1565
AI数据分析工具的核心价值在于“降本增效”，它可以帮助我们摆脱繁琐的手动计算过程，把精力集中在内容构思与逻辑构建上。但值得注意的是，再强大的AI也无法完全取代人类的判断力与审美力。一份真正打动审稿人与读者的论文，不仅需要精准的数据表达，更离不开严谨的科学内涵与清晰的推导逻辑。因此，在使用这些工具时，建议将其视为“智能辅助”而非“全自动解决方案”，主动参与数据校验与结果解读，才能产出既高效又富有学术价值的作品。t=P9T8。
Pandas 高级教程：解锁数据分析的强大潜能
最新发布
weixin_71363825的博客
11-25 512
本篇博客介绍了 Pandas 的一些高级操作和实际应用场景，包括多级索引、数据透视表、时间序列操作、字符串处理、高级数据合并、数据清洗以及高级分组操作等。通过这些高级功能，我们可以更加灵活地处理复杂的数据任务，从数据中挖掘出更有价值的信息。
【数据分析】AD与CTE纤维结构的联合分析(主成分分析+聚类分析+可视化分析)
专注生信领域
11-22 278
本研究通过对AD和CTE纤维结构的每残基能量贡献进行详细的分析，揭示了这两种疾病相关纤维结构的差异和相似性。通过PCA和聚类分析，我们能够识别出具有不同结构特征的样本组，并确定了对结构差异贡献最大的残基。这些发现为理解AD和CTE的发病机制提供了新的视角，并可能为开发针对这些疾病的治疗方法提供潜在的靶点。未来的研究可以进一步探索这些残基在疾病中的具体作用，并验证它们作为治疗靶点的潜力。
人工智能之数据分析 numpy：第十章 副本视图
咚咚王者的博客
11-22 413
在 NumPy 中，副本（copy）和视图（view）是理解数组内存管理、性能优化和避免意外修改的关键概念。它们决定了当你对一个数组进行切片、变形或赋值操作时，​**是否创建了新的数据副本，还是仅仅创建了一个指向原数据的新“窗口”**​。操作返回是否共享数据安全修改？a[:]视图✅❌（会影响 a）a[1:3]视图✅❌a[[1,2]]副本❌✅a[a>0]副本❌✅视图（尽量）可能谨慎a.copy()副本❌✅a.view()视图✅❌副本❌✅a.ravel()视图（尽量）
从研究问题到分析初稿：深度解析PaperXie AI科研工具中数据分析模块在学术写作场景下的辅助逻辑与技术实现路径
paperxie_xiexuo的博客
11-22 1219
AI驱动的数据分析工具，其真正价值不在于“算得多快”，而在于“让用户更快进入思考状态”。PaperXie 的这一模块，通过结构化输入、清晰引导与文档整合，有效降低了非专业用户的数据分析门槛。但它无法替代研究者对方法原理的理解、对结果合理性的判断以及对学术伦理的坚守。真正的科研，始于问题意识，成于逻辑严谨。技术的作用，只是让这个过程少一些繁琐，多一些专注。因此，在使用此类工具时，建议将其视为“智能脚手架”，而非“全自动生产线”。主动参与、理性审慎，才能产出既高效又可信的研究成果。t=P9T8。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

生信与基因组学

每一份鼓励是我坚持下去动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值