VEP注释结果怎么看？

生信菜鸟团

发布于 2024-05-11 16:46:37

4220

发布于 2024-05-11 16:46:37

文章被收录于专栏：生信菜鸟团

工欲善其事必先利其器

众所周知，对于VCF文件的注释常用的有VEP、SnpEff、ANNOVAR等，软件各有优势，选择哪个工具通常取决于具体的分析需求、数据类型和用户的技术背景。例如，VEP因其提供的丰富注释信息和易用性而被广泛使用。今天就先来详细了解一下VEP的注释结果。

至于VEP的入门介绍，详见：VEP — 高效的变异注释工具

1下载数据库文件

screen -R down
wget -c https://ftp.ensembl.org/pub/release-111/variation/indexed_vep_cache/mus_musculus_vep_111_GRCm39.tar.gz
##文件大小
1.7G 11月 28 02:08 mus_musculus_vep_111_GRCm39.tar.gz

##或者

wget -c https://ftp.ensembl.org/pub/release-111/variation/indexed_vep_cache/mus_musculus_merged_vep_111_GRCm39.tar.gz
##文件大小
5.4G 5月   7 15:24 mus_musculus_merged_vep_111_GRCm39.tar.gz

2实例运行

singularity exec vep.sif \
  vep --dir ~/vep_data/mouse \
      --species mus_musculus --merged \
      --cache --offline --format vcf --vcf --force_overwrite \
      --input_file ~/vep/mouse_test.filter.vcf.gz \
      --output_file ~/vep/vep_out/mouse_test_vepout.vcf \
      --plugin NMD

3结果文件

4.5G 5月   7 17:56 mouse_test_vepout.vcf
 18K 5月   7 17:56 mouse_test_vepout.vcf_summary.html
 59K 5月   7 17:56 mouse_test_vepout.vcf_warnings.txt
 
##297M的vcf文件，运行耗时2:15:56

4结果解读

注释前vcf文件

less -SN ../mouse_test.filter.vcf.gz |head -n 100 |tail -n 5 |cut -f 1-9

注释前

注释后vcf文件

less -SN mouse_test_vepout.vcf |head -n 105 |tail -n 5 |cut -f 1-10

注释后

增加了哪些信息？

##查看增加的列
cat mouse_test_vepout.vcf |grep -v "^#" |cut -f 8 |awk -F ";" '{print $NF}' |head

##查看注释分类
cat mouse_test_vepout.vcf|grep -v "^#"|cut -f 8|awk -F ";" '{print $NF}'|cut -d "|" -f 2|sort |uniq -c|sort -k1n

##查看一个具体的例子
cat mouse_test_vepout.vcf |grep -v "^#" |grep "upstream_gene_variant"|head -n 1

info列

查看都有哪些变异信息：

$cat mouse_test_vepout.vcf|grep -v "^#"|cut -f 8|awk -F ";" '{print $NF}'|cut -d "|" -f 2|sort |uniq -c|sort -k1n
      1 inframe_insertion&NMD_transcript_variant
      1 mature_miRNA_variant
      1 protein_altering_variant&incomplete_terminal_codon_variant
      1 protein_altering_variant&splice_region_variant
      1 splice_acceptor_variant&5_prime_UTR_variant
      1 splice_acceptor_variant&NMD_transcript_variant
      1 splice_acceptor_variant&splice_donor_variant&splice_donor_5th_base_variant&non_coding_transcript_exon_variant&intron_variant
      1 splice_donor_variant&splice_donor_5th_base_variant&3_prime_UTR_variant&intron_variant
      1 splice_donor_variant&splice_donor_5th_base_variant&intron_variant&non_coding_transcript_variant
      1 splice_donor_variant&splice_donor_5th_base_variant&splice_polypyrimidine_tract_variant&intron_variant&non_coding_transcript_variant
      1 splice_donor_variant&splice_donor_region_variant&coding_sequence_variant&intron_variant
      1 splice_donor_variant&splice_donor_region_variant&non_coding_transcript_exon_variant&intron_variant
      1 start_lost&5_prime_UTR_variant
      1 start_lost&inframe_deletion&splice_region_variant
      1 start_lost&splice_region_variant&5_prime_UTR_variant
      1 stop_gained&frameshift_variant&start_lost
      1 stop_gained&inframe_deletion
      1 stop_gained&protein_altering_variant
      2 inframe_deletion&NMD_transcript_variant
      2 splice_acceptor_variant&non_coding_transcript_exon_variant
      2 splice_acceptor_variant&splice_polypyrimidine_tract_variant&intron_variant&NMD_transcript_variant
      2 splice_donor_5th_base_variant&intron_variant&NMD_transcript_variant
      2 splice_donor_variant&splice_donor_5th_base_variant&5_prime_UTR_variant&intron_variant
      2 stop_gained&NMD_transcript_variant
      2 stop_lost&3_prime_UTR_variant
      3 inframe_deletion&splice_region_variant
      3 missense_variant&splice_region_variant&NMD_transcript_variant
      3 non_coding_transcript_variant
      3 splice_acceptor_variant&coding_sequence_variant
      3 splice_acceptor_variant&non_coding_transcript_exon_variant&intron_variant
      3 splice_acceptor_variant&splice_polypyrimidine_tract_variant&intron_variant
      3 splice_acceptor_variant&splice_polypyrimidine_tract_variant&intron_variant&non_coding_transcript_variant
      3 splice_donor_variant&coding_sequence_variant
      3 splice_donor_variant&splice_donor_5th_base_variant&non_coding_transcript_exon_variant&intron_variant
      3 splice_region_variant&5_prime_UTR_variant&NMD_transcript_variant
      3 stop_gained&inframe_insertion&splice_region_variant
      4 frameshift_variant&start_lost
      4 splice_donor_variant&NMD_transcript_variant
      4 splice_region_variant&synonymous_variant&NMD_transcript_variant
      4 stop_gained&inframe_insertion
      4 stop_retained_variant&3_prime_UTR_variant
      5 frameshift_variant&start_lost&start_retained_variant
      5 splice_acceptor_variant&splice_donor_5th_base_variant&coding_sequence_variant&intron_variant
      5 splice_donor_variant&splice_donor_5th_base_variant&intron_variant
      6 frameshift_variant&NMD_transcript_variant
      6 splice_acceptor_variant&coding_sequence_variant&intron_variant
      6 splice_donor_variant&splice_donor_region_variant&intron_variant
      7 splice_region_variant&non_coding_transcript_variant
      7 stop_gained&frameshift_variant&splice_region_variant
      8 frameshift_variant&stop_lost
      9 incomplete_terminal_codon_variant&coding_sequence_variant
      9 splice_donor_region_variant&intron_variant&NMD_transcript_variant
      9 stop_gained&splice_region_variant
     12 splice_acceptor_variant&splice_donor_variant&splice_donor_5th_base_variant&splice_polypyrimidine_tract_variant&intron_variant
     13 splice_acceptor_variant&splice_donor_variant&splice_donor_5th_base_variant&coding_sequence_variant&intron_variant
     14 splice_region_variant&intron_variant&NMD_transcript_variant
     15 splice_region_variant&3_prime_UTR_variant&NMD_transcript_variant
     16 splice_region_variant&3_prime_UTR_variant
     16 stop_retained_variant
     19 protein_altering_variant
     19 splice_donor_variant&splice_donor_5th_base_variant&coding_sequence_variant&intron_variant
     26 stop_gained&frameshift_variant
     29 start_lost
     31 inframe_insertion&splice_region_variant
     34 splice_region_variant&splice_polypyrimidine_tract_variant&intron_variant&NMD_transcript_variant
     34 stop_lost
     49 frameshift_variant&splice_region_variant
     53 splice_donor_5th_base_variant&intron_variant&non_coding_transcript_variant
     57 splice_polypyrimidine_tract_variant&intron_variant&NMD_transcript_variant
     66 splice_acceptor_variant&non_coding_transcript_variant
     77 5_prime_UTR_variant&NMD_transcript_variant
     77 splice_region_variant&5_prime_UTR_variant
     84 splice_acceptor_variant
     88 splice_donor_variant
     99 splice_donor_variant&non_coding_transcript_variant
    104 missense_variant&NMD_transcript_variant
    113 synonymous_variant&NMD_transcript_variant
    148 splice_region_variant&intron_variant&non_coding_transcript_variant
    181 splice_donor_region_variant&intron_variant&non_coding_transcript_variant
    249 inframe_insertion
    252 splice_donor_5th_base_variant&intron_variant
    265 splice_region_variant&non_coding_transcript_exon_variant
    284 stop_gained
    344 splice_region_variant&splice_polypyrimidine_tract_variant&intron_variant&non_coding_transcript_variant
    383 missense_variant&splice_region_variant
    474 inframe_deletion
    540 splice_region_variant&synonymous_variant
    558 splice_polypyrimidine_tract_variant&intron_variant&non_coding_transcript_variant
    624 3_prime_UTR_variant&NMD_transcript_variant
    873 splice_donor_region_variant&intron_variant
   1025 frameshift_variant
   1108 splice_region_variant&intron_variant
   2727 splice_region_variant&splice_polypyrimidine_tract_variant&intron_variant
   4697 splice_polypyrimidine_tract_variant&intron_variant
   8870 5_prime_UTR_variant
  21309 intron_variant&NMD_transcript_variant
  22383 missense_variant
  29654 synonymous_variant
  31913 3_prime_UTR_variant
  49286 non_coding_transcript_exon_variant
 293457 intron_variant&non_coding_transcript_variant
 295676 downstream_gene_variant
 296565 upstream_gene_variant
 958522 intergenic_variant
1239374 intron_variant

Frameshift variant (移码变异): 插入或缺失导致从突变点开始的编码序列发生移位，进而影响其后的全部氨基酸序列。
Missense variant (错义变异): 单个核苷酸的改变导致编码的氨基酸发生变化。
Synonymous variant (同义变异): 单个核苷酸的改变不影响编码的氨基酸。
Intron variant (内含子变异): 变异发生在基因的非编码区内含子上，可能影响基因的剪接。
Splice region variant (剪接区域变异): 变异发生在剪接位点附近，可能影响mRNA的剪接。
UTR variant (非翻译区变异): 发生在5' UTR或3' UTR区域的变异，可能影响基因的表达调控。
Stop gained (获得终止密码子): 变异导致提前出现终止密码子，使得蛋白质提前终止。
Stop lost (丢失终止密码子): 终止密码子发生变异，导致蛋白质翻译过程延长。
Start lost (起始密码子丢失): 起始密码子的变异可能导致蛋白质的翻译启动受阻。
NMD transcript variant (非正常剪接体变异): 变异可能导致产生非正常的mRNA剪接体，这类mRNA通常会被细胞的无用mRNA降解机制所降解。
Coding sequence variant (编码序列变异): 变异发生在编码序列中，可能改变蛋白质的氨基酸序列。
Non-coding transcript variant (非编码转录本变异): 变异发生在非编码转录本上，可能影响其功能或表达。
Protein altering variant (蛋白质改变变异): 变异可能会改变蛋白质的结构和功能，但不一定是通过改变氨基酸序列。
Downstream gene variant (下游基因变异): 变异发生在基因的下游区域，可能影响该基因的表达。
Upstream gene variant (上游基因变异): 变异发生在基因的上游区域，可能影响该基因的表达。
Intergenic variant (基因间变异): 变异发生在两个基因之间的区域，这些区域通常不编码蛋白质，但可能包含调控元件。

5举例说明

具体查看几个例子来理解一下

例一

cat mouse_test_vepout.vcf |grep -v "^#" |grep "upstream_gene_variant"|cut -f 8|head -n 1 |awk -F ";" '{print $NF}'
CSQ=C|upstream_gene_variant|MODIFIER|4933401J01Rik|ENSMUSG00000102693|Transcript|ENSMUST00000193812|TEC|||||||||||4733|1||MGI|||Ensembl||

T -> C 变异位点，T变为C
upstream_gene_variant：上游基因变异。
MODIFIER - 变异的影响级别，表明这种变异可能会对基因或蛋白质功能产生一定影响，但不是直接改变蛋白质序列的主要变异。
4933401J01Rik - 变异影响的基因名称。
ENSMUSG00000102693 - 变异影响的基因的Ensembl ID
Transcript - 表明该注释关联的是一个转录本。
ENSMUST00000193812 - 受影响的转录本的Ensembl ID。
TEC - 转录本的生物类型，TEC 通常表示是一个技术性的转录本，可能不编码蛋白质。
4733 - 表示变异位点距离最近的基因起始点的距离，此处为4733个核苷酸。

例二

$cat mouse_test_vepout.vcf |grep -v "^#" |grep "protein_altering_variant"|cut -f 8|head -n 1 |awk -F ";" '{print $NF}'
CSQ=GTA|protein_altering_variant|MODERATE|Cd244a|ENSMUSG00000004709|Transcript|ENSMUST00000004829|protein_coding|2/9||||340-341|208-209|70|Y/CN|tat/tGTAat|||1||MGI|||Ensembl||,GTA|non_coding_transcript_exon_variant|MODIFIER|Cd244a|ENSMUSG00000004709|Transcript|ENSMUST00000194170|retained_intron|2/5||||339-340|||||||1||MGI|||Ensembl||,GTA|protein_altering_variant&NMD_transcript_variant|MODERATE|Cd244a|ENSMUSG00000004709|Transcript|ENSMUST00000194797|nonsense_mediated_decay|2/7||||340-341|208-209|70|Y/CN|tat/tGTAat|||1||MGI|||Ensembl||,GTA|protein_altering_variant|MODERATE|Cd244a|18106|Transcript|NM_018729.2|protein_coding|2/9||||340-341|208-209|70|Y/CN|tat/tGTAat|||1||EntrezGene|||RefSeq||,GTA|protein_altering_variant|MODERATE|Cd244a|18106|Transcript|XM_006496695.5|protein_coding|2/8||||814-815|208-209|70|Y/CN|tat/tGTAat|||1||EntrezGene|||RefSeq||

记录1

GTA ：变异的核苷酸序列。
protein_altering_variant ：变异类型，表明这种变异可能改变蛋白质的结构和功能。
MODERATE ：变异的影响级别，表明该变异对功能的影响中等。
Cd244a ：变异影响的基因名称。
ENSMUSG00000004709 ：变异影响的基因的Ensembl ID。
ENSMUST00000004829 ：变异受影响的转录本的Ensembl ID。
protein_coding ：转录本的类型，表明它编码蛋白质。
2/9 ：变异发生在第二个外显子，总共九个外显子。
340-341 ：变异位置在DNA序列的第340到341个核苷酸。
208-209 ：变异位置在编码序列的第208到209个核苷酸。
70 ：变异发生在蛋白序列的第70个氨基酸。
Y/CN - 氨基酸由酪氨酸（Y）变为一个不明确的氨基酸（CN）。
tat/tGTAat - 描述了DNA层面的突变情况，原始的序列是tat，变异后是tGTAat。

记录2

non_coding_transcript_exon_variant ：变异类型，表明变异发生在非编码转录本的外显子上。
retained_intron ：转录本类型，意味着这个转录本保留了内含子。

记录3

protein_altering_variant&NMD_transcript_variant - 同时具有蛋白质改变和非正常剪接体（NMD）的标记。
nonsense_mediated_decay - 转录本类型，表明这是一个可能因含有无意义突变而被降解的转录本。

记录4和5

EntrezGene 和 RefSeq ：表示这些记录使用来自EntrezGene和RefSeq的基因和转录本标识符，表明使用了NCBI的数据源来注释这些变异。
NM_018729.2, XM_006496695.5 ：NCBI的转录本ID，不同的版本表示不同的转录本形式。

例三

$cat mouse_test_vepout.vcf |grep -v "^#" |grep "intron_variant"|cut -f 8|head -n 1 |awk -F ";" '{print $NF}'
CSQ=G|downstream_gene_variant|MODIFIER|Xkr4|ENSMUSG00000051951|Transcript|ENSMUST00000070533|protein_coding|||||||||||4499|-1||MGI|||Ensembl||,G|intron_variant&non_coding_transcript_variant|MODIFIER|Xkr4|ENSMUSG00000051951|Transcript|ENSMUST00000159265|protein_coding_CDS_not_defined||1/1||||||||||-1||MGI|||Ensembl||,G|intron_variant&non_coding_transcript_variant|MODIFIER|Xkr4|ENSMUSG00000051951|Transcript|ENSMUST00000162897|protein_coding_CDS_not_defined||1/1||||||||||-1||MGI|||Ensembl||,G|downstream_gene_variant|MODIFIER|Xkr4|497097|Transcript|NM_001011874.1|protein_coding|||||||||||4499|-1||EntrezGene|||RefSeq||,G|intron_variant|MODIFIER|Xkr4|497097|Transcript|XM_006495550.5|protein_coding||3/3||||||||||-1||EntrezGene|||RefSeq||

记录 1

A -> G 变异碱基，A突变为G
downstream_gene_variant : 下游基因变异
MODIFIER ：变异的影响程度，表明这种变异可能对基因或蛋白功能有一定影响，但通常影响较小。
Xkr4 ：受影响的基因名称。
ENSMUSG00000051951 ：基因的Ensembl ID。
ENSMUST00000070533 ：受影响的转录本的Ensembl ID。
protein_coding ：转录本类型，表明它编码蛋白质。
4499 ：变异位点距离基因编码区下游的距离，单位为核苷酸。

记录 2 和 3

intron_variant & non_coding_transcript_variant ：表明变异同时影响内含子区域和非编码转录本。
protein_coding_CDS_not_defined ：转录本类型，表明尽管这是一个编码蛋白质的基因，但对于这些特定转录本，其编码区（CDS）未明确定义。
1/1 - 表示这些转录本只包含一个内含子。

记录 4