生信软件44 - 比PyVCF更高效的VCF解析Python库cyvcf2

cyvcf2简介

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）。

特点：

1. 直接读取压缩的 .vcf.gz 文件，无需预先解压
2. 基于 C 语言优化，内存占用低，解析速度快
3. 提供类似 Python 列表的迭代接口，支持按染色体或区域查询
4. 可访问 VCF 头部的所有信息
5. 速度比PyVCF快，读取1GB大小的VCF，cyvcf2耗时10s, PyVCF大约5min
6. 占用内存比PyVCF小很多

1. 安装

对于Ubuntu等linux系统，安装出错可尝试安装 Cython 和 zlib 开发库。

# Ubuntu安装依赖
sudo apt install python3-dev zlib1g-dev

# Centos安装依赖
sudo yum install python3-devel zlib-devel

pip install cyvcf2
# 无法调用库可尝试: python -m pip install --user cyvcf2

2. 基本用法

cyvcf2读取的VCF文件最好是压缩格式，并创建索引。

# vcf压缩, 并创建gz文件索引
bgzip sample.vcf && tabix -p vcf sample.vcf.gz

2.1 读取VCF文件

from cyvcf2 import VCF

# 读取压缩的 VCF 文件
vcf = VCF("sample.vcf.gz")  

# 查看样本列表
print("样本:", vcf.samples)  
# 输出: ['Sample1']

# 查看染色体列表（前三个）
print("染色体:", list(set(vcf.seqnames))[:3])

# 处理完成后手动关闭文件 
vcf.close()

2.2 遍历变异位点

基因型中的 -1 表示缺失。

for variant in