#c #vcf-variant-call-format #htslib
#c #vcf-variant-call-format #htslib
Вопрос:
Я работаю с c для обработки файлов VCF, для этого я использую библиотеку vcf из htslib (https://github.com/samtools/htslib/blob/develop/htslib/vcf.h ). Я знаю, что могут быть библиотеки получше, но я также работаю с другими форматами файлов, для которых htslib также имеет библиотеки, поэтому я хотел бы придерживаться htslib.
Я нашел несколько примеров кода для открытия чтения в файле и создания правильной структуры. заголовок и использование некоторой информации из файла VCF здесь: https://gist.github.com/gatoravi/cad922bdf2b625a91126 и http://wresch.github.io/2014/11/18/process-vcf-file-with-htslib.html
Но если мы будем придерживаться первого примера, я «расшифровал» код следующим образом с моими комментариями к коду:
int main(int argc,char **argv){
std::cerr << "Usage:subset.vcf " << std::endl;
// htslib internally represents VCF as bcf1_t data structures
htsFile *test_vcf = NULL;
// creates header
bcf_hdr_t *test_header = NULL;
// initialize and allocate bcf1_t object
bcf1_t *test_record = bcf_init();
test_vcf = vcf_open("subset.vcf", "r");
// returning a bcf_hdr_t struct
test_header = bcf_hdr_read(test_vcf);
if(test_header == NULL) {throw std::runtime_error("Unable to read header.");}
while(bcf_read(test_vcf, test_header, test_record) == 0){
// std::cout << "pos " << test_record->pos << std::endl; //column 2 in VCF with the coordinate looks like its -1
// std::cout << "length " << test_record->rlen << std::endl; // I assume its the length of the ALT
// std::cout << "chrom " << test_record->rid; (-1) format or bcf_hdr_id2name(test_header, test_record->rid)
// std::cout << "qual " << test_record->qual; //column 6
// std::cout << "allele " << test_record->n_allele << std::endl; // number of alleles
// std::cout << "info " << test_record->n_info << std::endl; // I dont know what this is
// std::cout << "nfmt " << test_record->n_fmt << std::endl;
// "sample " << test_record->n_sample // i dont know what this is
std::cout << "chr" << bcf_hdr_id2name(test_header, test_record->rid) << ":" <<test_record->pos 1 << std::endl;
std::cout << "------------------" << std::endl;
}
bcf_hdr_destroy(test_header);
bcf_destroy(test_record);
bcf_close(test_vcf);
return 0;
}
В приведенном выше коде у меня в цикле while есть несколько комментариев с комментариями std::cout, чтобы в моих комментариях было ясно, каковы некоторые функциональные возможности, т.е. «rid» — это хромосома. Насколько я могу прочитать для библиотеки vcf, все имена «rid» или «nfmt» предварительно определены. Запустив этот код, я могу печатать несколько вещей, таких как имена хромосом, положение среди прочего. Но у меня есть несколько проблем:
Мой файл VCF имеет общую структуру в ФОРМАТЕ #CHROM POS ID REF ALT ИНФОРМАЦИЯ о КАЧЕСТВЕННОМ ФИЛЬТРЕ, с небольшим примером нескольких строк, показывающих только первые 6 столбцов:
14 19058352 rs144287685 A G 100
14 19066089 rs374285188 C A,T 100
14 19075627 . G A,T 100
14 19075912 . A C,T 100
14 19237205 . T TATGTTATG 100
Моя проблема заключается в том, что при использовании библиотеки я хочу распечатать как ссылку (столбец 4), так и альтернативу (столбец 5), поэтому для строки 1: REF = A amp; ALT = G, для строки 5: REF = T amp; ALT = TATGTTATG.
Может ли кто-нибудь помочь мне понять, что именно мне нужно сделать, чтобы извлечь эти два поля? Я не вижу в описании библиотеки, как использовать «test_record->» для их извлечения?
Я надеюсь, что мой вопрос имеет некоторый смысл. Спасибо за ваше время и помощь.
Ответ №1:
Я знаю, что немного поздно, так как вы опубликовали это 2 месяца назад, но, возможно, это может помочь другим людям. В последнее время я слишком долго боролся с htslib, и мне удалось получить значения ALT и REF.
Значения для ALT и REF хранятся в структуре bcf1_t в поле с именем d:
typedef struct bcf1_t {
hts_pos_t pos;
hts_pos_t rlen;
int32_t rid;
float qual;
uint32_t n_info:16, n_allele:16;
uint32_t n_fmt:8, n_sample:24;
kstring_t shared, indiv;
bcf_dec_t d; //<----- HERE
int max_unpack;
int unpacked;
int unpack_size[3];
int errcode;
} bcf1_t;
Это поле по умолчанию не заполняется при инициализации объекта bcf1_t, поэтому сначала вам нужно вызвать функцию bcf_unpack . Первый параметр функции является указателем на запись, а второй зависит от значений, которые вы хотите, чтобы она распаковала. В вашем случае для ALT и REF я думаю, что первым параметром должен быть test_record, а вторым параметром BCF_UN_STR. В исходном коде htslib вы прокомментировали все доступные значения.
int bcf_unpack(bcf1_t *b, int which);
Теперь вы можете взглянуть на общее поле. Типом этого поля является другая структура, называемая bcf_dec_t. Здесь вам нужно взглянуть на поле als.
typedef struct bcf_dec_t {
int m_fmt, m_info, m_id, m_als, m_allele, m_f<
int n_f<
int *f<
char *id, *als; // ID and REF ALT block (-separated)
char **allele;
bcf_info_t *info;
bcf_fmt_t *fmt;
bcf_variant_t *var;called
int n_var, var_type;
int shared_dirty;
int indiv_dirty;
} bcf_dec_t;
Как сказано в документации, als содержит значения REF и ALT, разделенные символом ‘ 0’. Итак, если ваши значения: REF = T и ALT = TATGTTATG, als содержит следующий массив символов: «T 0TATGTTATG 0».
Вы можете проанализировать этот массив символов для получения REF и ALT. Я делаю это с помощью этой функции, которую я закодировал, которая принимает als в качестве входных данных и возвращает вектор, содержащий разделенные ALT и REF. Я знаю, что это может быть не самая оптимизированная функция и что должен быть способ сделать это с помощью htslib, но это работает:
std::vector<std::string> extractAltRef(char *als) {
std::vector<std::string> res;
std::string str = "";
int i = 0;
int j = 0;
while(j != 2) {
if(als[i] == '') {
res.push_back(str);
str.clear();
j ;
} else {
str = als[i];
}
i ;
}
return res;
}
Итак, в вашем коде для получения значений REF и ALT, если вы используете мою функцию, вы должны сделать что-то вроде этого (не проверено):
// Pointer initializations...
bcf_unpack(test_record, BCF_UN_STR);
while(bcf_read(test_vcf, test_header, test_record) == 0){
std::vector<std::string> altRef = extractAltRef(test_record->d.als);
std::cout << "REF " << altRef[0] << std::endl;
std::cout << "ALT " << altRef[1] << std::endl;
}
// Free memory...
Если вы не используете мой код, вам придется найти способ разделения REF и ALT.
Я надеюсь, что это поможет,
Alberto.