2023年12月7日发(作者：)
用Python处理vcf文件的代码
问题背景：
我现在有几百个同一菌株的基因组，但是我只需要差别较大的样品去做后续分析，我要把相似的冗余样品去掉那么我该
怎么办呢？直接用mega构建进化树是不可行的，因为基因组太大，分析不出来。我把这些样品中的一个样品作为参考
基因组，将剩余样品比对到这个样品上，然后call SNP，最终得到数百个vcf文件，这些vcf文件包含了这些样品相对于
参考基因组的SNP，写一个脚本将这些SNP分别连接起来作为一条序列，所有序列输出为一个fasta文件，再用mega
构建进化树就可以了！
以下是python代码
#Pyvcf是python专门处理vcf文件的一个包
import vcf
import os
import numpy
import collections
#vcf文件所在的路径
filepath=r'C:'
filelist=r(filepath)
output_name=[]
for ech in filelist:
output_(e('_',''))
output_name+=['VibrioFF75']
dicREF_list=[]
dicALT_list=[]
for ech in filelist:
ech_vcf=(filename=r'C:%s' % ech)
dicREF,dicALT={},{}
for SNP in ech_vcf:
if _snp == 1:
dicREF[ + '_' + str()] =
if len() > 1:
dicALT[ + '_' + str()] = [0]
else:
dicALT[ + '_' + str()] =
dicREF_(dicREF)
dicALT_(dicALT)
#求出所有vcf文件中snp的位点
SNP_REF={}
for i in dicREF_list:
SNP_REF=dict(SNP_REF,**i)
pos_list=list(SNP_())
pos_()
print(len(pos_list))
#将每个vcf中的snp连接起来，如果该位点存在突变，则输出ALT，否则输出REF，保证每条SNP序列长度相同
all_list=[]
for ech_dic in dicALT_list:
ech_dic_index = dicALT_(ech_dic)
ech_name=output_name[ech_dic_index]
ech_list=[]
for pos in pos_list:
if pos in ech_dic:
theSNP = str(ech_dic[pos]).replace('[', '').replace(']', '')
ech_(theSNP)
else:
theSNP = str(SNP_REF[pos]).replace('[', '').replace(']', '')
ech_(theSNP)
all_(ech_list)
#如果将SNP连接起来的序列还是过长，则需要进行二次过滤
snp_array=[]
for pos in pos_list:
theSNP=str(SNP_REF[pos]).replace('[','').replace(']','')
snp_(theSNP)
for i in all_list:
snp_array=_stack((snp_array,i)) snp_array=_stack((snp_array,i))snp_array=ose(snp_array)array_len=len(snp_array)print(array_len)snp_least=[]i=0while i
发布评论