vcf2maf—从VCF到MAF，解锁基因突变的秘密

生信菜鸟团

发布于 2024-06-12 14:40:19

2520

发布于 2024-06-12 14:40:19

工欲善其事必先利其器

1vcf2maf

vcf2maf 是由 Cyriac Kandoth 主导开发的一款用于将 VCF (Variant Call Format) 文件转换为 MAF (Mutation Annotation Format) 文件的生信分析工具。广泛应用于癌症基因组研究中的变异数据处理，其具有以下特性：

详尽的注释：vcf2maf 利用 VEP (Variant Effect Predictor) 从多个数据库（如 Ensembl, COSMIC, dbSNP）中提取信息，为每个突变提供详细的生物学背景和功能影响注释。
灵活的选择性注释：该工具允许用户针对不同的基因和转录本版本进行选择性注释，帮助研究人员集中分析最相关的基因异构体，从而优化分析结果的相关性和精确性。
广泛的适用性：vcf2maf 能够处理来自不同测序平台和分析流程的 VCF 文件，使其在不同的研究背景和技术条件下具有很高的适用性。

编程语言：Perl GItHub：https://github.com/mskcc/vcf2maf?tab=readme-ov-file

2VCF和MAF文件

VCF 文件

VCF（Variant Call Format）文件是一种标准的格式，用于存储基因组测序数据中的变异信息，如单核苷酸多态性（SNPs）、插入和缺失（indels）等。它广泛用于生物信息学和基因组研究，以描述特定位置上的已知变异和新发现的变异。

VCF文件包括一个头部（header）和数据部分。头部包含文件的元数据，描述了数据的格式和解释相关信息。数据部分则列出了具体的变异信息，分别为：

CHROM: 变异所在的染色体。
POS: 变异在染色体上的位置。
ID: 变异的ID，如果变异已知并被收录于如dbSNP等数据库，通常是一个rs编号；如果不是已知变异，则通常用.表示。
REF: 参考基因组中的等位基因（即未变异的状态）。
ALT: 变异的等位基因，即在该位置发生的变异类型（例如，对于SNP，可能是A、T、C或G之一；对于indel，可能是序列的插入或删除）。
QUAL: 变异检测的质量分数，通常是一个表示变异被测序数据支持程度的Phred质量分数。
FILTER: 过滤状态，显示变异是否通过了质量控制。例如，如果一个变异通过了所有质量检查，则此列为PASS；如果没有通过，此列将显示没有通过的测试的代码。
INFO: 提供关于变异的额外信息，不同的项目可以有不同的字段。例如，可以包括变异的影响（如同义、错义）、影响基因、功能区域、深度等。
FORMAT: 格式列，定义了样本数据中各个值的含义，如GT（基因型）、DP（深度）、AD（等位基因深度）等。
样本数据: 对每个样本的具体信息，格式由FORMAT列定义。

MAF文件

MAF（Mutation Annotation Format）文件是一种用于描述癌症基因组变异信息的格式，广泛用于生物信息学和医学研究中。MAF文件不仅记录了具体的突变信息，还包括了关于这些突变的详细注释。它是由癌症基因组图谱（The Cancer Genome Atlas, TCGA）项目中使用和发展起来的标准格式。

MAF文件的主要列及其内容包括：

Hugo_Symbol: 人类基因命名委员会（HGNC）为每个基因分配的唯一符号。
Entrez_Gene_Id: NCBI的Entrez Gene数据库中的基因ID。
Center: 进行突变鉴定的研究中心或机构。
NCBI_Build: 基因组构建的版本（如GRCh37, GRCh38）。
Chromosome: 突变发生在哪个染色体上。
Start_Position: 突变开始的基因组位置。
End_Position: 突变结束的基因组位置。
Strand: DNA的链，正（+）或负（-）。
Variant_Classification: 突变的分类（如错义突变、无义突变、同义突变等）。
Variant_Type: 突变的类型（如SNP, DEL, INS等）。
Reference_Allele: 参考基因组中的等位基因。
Tumor_Seq_Allele1: 肿瘤样本中的第一个序列等位基因。
Tumor_Seq_Allele2: 肿瘤样本中的第二个序列等位基因。
dbSNP_RS: 突变相关的dbSNP参考序列ID。
dbSNP_Val_Status: 突变在dbSNP数据库中的验证状态。
Tumor_Sample_Barcode: 肿瘤样本的唯一条码。
Matched_Norm_Sample_Barcode: 与肿瘤样本匹配的正常样本的唯一条码。
Match_Norm_Seq_Allele1: 匹配正常样本中的第一个序列等位基因。
Match_Norm_Seq_Allele2: 匹配正常样本中的第二个序列等位基因。

额外的注释信息

HGVSc: 人类基因变异命名的cDNA层面的描述。
HGVSp: 蛋白质层面的描述。
Exon_Number: 变异发生在哪个外显子。
t_depth, t_ref_count, t_alt_count: 肿瘤样本中的总深度、参考等位基因计数和突变等位基因计数。
n_depth, n_ref_count, n_alt_count: 匹配正常样本中的总深度、参考等位基因计数和突变等位基因计数。
all_effects: 包含所有可能效应的详细列表，通常由VEP等工具生成。
Allele, Gene, Feature, Feature_type, Consequence: 描述等位基因、基因ID、特征ID、特征类型和具体生物学后果。

3如何安装

conda 安装

推荐使用Conda安装，可以放在同一个小环境，方便管理

## conda create -n wes
conda activate wes
conda install -y vcf2maf

##同时需要搭配vep使用,如果没有安装也需要提前安装一下
conda install ensembl-vep

VEP之前也有介绍过，详见：

Github下载

源码安装也很简单，下载解压即可使用。

wget -c https://github.com/mskcc/vcf2maf/archive/refs/tags/v1.6.22.tar.gz
tar -xf v1.6.22.tar.gz

4功能简述

一个将 VCF文件转换为 MAF（突变注释格式）文件的工具。在进行癌症基因组研究时非常有用，以便对突变进行详细注释并与其他癌症基因组数据整合。

vcf2maf.pl —— 将 VCF 文件转换为 MAF 文件。
maf2maf.pl ——用于重新注释 MAF文件中的变异信息，它通过 maf2vcf 将 MAF 文件转换为 VCF 文件，然后使用 vcf2maf 对每个 VCF 进行重新注释，以生成新的合并后的 MAF 文件

5最小化使用

perl vcf2maf.pl --input-vcf INPUT.vcf --output-maf OUTPUT.maf --tumor-id TUMOR_ID --normal-id NORMAL_ID

--input-vcf #指定输入文件，必须是vcf格式
--input-vcf #指定输出maf文件的路径
--tumor-id #在 MAF 文件中报告的肿瘤样本条码，默认值为 "TUMOR"
--normal-id #在 MAF 文件中报告的匹配正常样本条码，默认值为 "NORMAL"
--vcf-tumor-id #VCF 文件基因型列中使用的肿瘤样本 ID，与 `--tumor-id` 参数相同
--vcf-normal-id #VCF 文件基因型列中使用的匹配正常样本 ID，与 `--normal-id` 参数相同
--ref-fasta #指定参考 FASTA 文件的路径
--species #指定物种的 Ensembl 名称，例如对于小鼠是 `mus_musculus`，默认为 `homo_sapiens`（人类）
--ncbi-build # 指定变异 MAF 的 NCBI 参考组装版本，例如对于小鼠是 `GRCm38`，默认为 `GRCh37`
--cache-version # 使用 VEP 的离线缓存版本，例如 75、91、112 等，默认使用安装的版本
--inhibit-vep # 跳过运行 VEP，但如果在 VCF 中发现 VEP 注释，则提取这些注释
--vep-path #自定义调用vep路径
--vep-data #自定义vep cache 路径。默认 ~/.vep

简单测试

输入vcf文件未注释

perl ~/software/vcf2maf-1.6.22/vcf2maf.pl \
--input-vcf ../vcf/homo_test.filter.vcf \
--output-maf homo_test.vep.maf \
--vep-path /home/data/t020560/miniconda3/envs/wes/bin/ \
--vep-data ~/vep_data/homo \ #cache目录，目录下是homo_sapiens文件夹
--ref-fasta ../hg38/hg38.fa --ncbi-build GRCh38 --cache-version=111

运行示列

结果查看

简单查看一行信息

##vcf文件
$cat ~/vcf/homo_test.filter.vcf |grep 69270
chr1    69270   .       A       G       1155.73 Filter  AC=6;AF=1.00;AN=6;DP=42;ExcessHet=3.0103;FS=0.000;MLEAC=6;MLEAF=1.00;MQ=27.65;QD=28.19;SOR=7.476        GT:AD:DP:GQ:PL  1/1:0,15:15:45:428,45,0   1/1:0,11:11:32:287,32,0 1/1:0,15:15:45:454,45,0

## MAF文件
$cat homo_test.vep.maf |sed -n '2,3p'
Hugo_Symbol     Entrez_Gene_Id  Center  NCBI_Build      Chromosome      Start_Position  End_Position    Strand  Variant_Classification  Variant_Type    Reference_Allele        Tumor_Seq_Allele1 Tumor_Seq_Allele2       dbSNP_RS        dbSNP_Val_Status        Tumor_Sample_Barcode    Matched_Norm_Sample_Barcode     Match_Norm_Seq_Allele1  Match_Norm_Seq_Allele2    Tumor_Validation_Allele1        Tumor_Validation_Allele2        Match_Norm_Validation_Allele1   Match_Norm_Validation_Allele2   Verification_Status     Validation_StatusMutation_Status  Sequencing_Phase        Sequence_Source Validation_Method       Score   BAM_File        Sequencer       Tumor_Sample_UUID       Matched_Norm_Sample_UUID        HGVSc     HGVSp   HGVSp_Short     Transcript_ID   Exon_Number     t_depth t_ref_count     t_alt_count     n_depth n_ref_count     n_alt_count     all_effects     Allele  Gene    Feature   Feature_type    Consequence     cDNA_position   CDS_position    Protein_position        Amino_acids     Codons  Existing_variation      ALLELE_NUM      DISTANCE        STRAND_VEP        SYMBOL  SYMBOL_SOURCE   HGNC_ID BIOTYPE CANONICAL       CCDS    ENSP    SWISSPROT       TREMBL  UNIPARC RefSeq  SIFT    PolyPhen        EXON    INTRON  DOMAINS AFAFR_AF  AMR_AF  ASN_AF  EAS_AF  EUR_AF  SAS_AF  AA_AF   EA_AF   CLIN_SIG        SOMATIC PUBMED  MOTIF_NAME      MOTIF_POS       HIGH_INF_POS    MOTIF_SCORE_CHANGE      IMPACT  PICK      VARIANT_CLASS   TSL     HGVS_OFFSET     PHENO   MINIMISED       GENE_PHENO      FILTER  flanking_bps    vcf_id  vcf_qual        gnomADe_AF      gnomADe_AFR_AF  gnomADe_AMR_AF    gnomADe_ASJ_AF  gnomADe_EAS_AF  gnomADe_FIN_AF  gnomADe_NFE_AF  gnomADe_OTH_AF  gnomADe_SAS_AF  vcf_pos
OR4F5   79501   .       GRCh38  chr1    69270   69270   +       Silent  SNP     A       A       G       rs201219564             TUMOR   NORMAL  A       A                        c.243A>G p.Ser81=        p.S81=  ENST00000641515 3/3                                                     OR4F5,synonymous_variant,p.Ser81=,ENST00000641515,NM_001005484.2;,regulatory_region_variant,,ENSR00000918279,;    G       ENSG00000186092 ENST00000641515 Transcript      synonymous_variant      303/2618        243/981 81/326  S       tcA/tcG rs201219564,COSV58736820  1               1       OR4F5   HGNC    HGNC:14825      protein_coding  YES     CCDS30547.2     ENSP00000493376         A0A2U3U0J3.21   UPI000D1938F0   NM_001005484.2                    3/3                                                                                                     0,1                                             LOW       1       SNV                     0,1                     Filter;common_variant   CAC     .       1155.73 0.838   0.3591  0.7932  0.8482  0.9984  0.8821  0.9146  0.868   0.9005    69270

基本信息

Hugo_Symbol: 基因符号，例如 OR4F5。
Entrez_Gene_Id: Entrez基因ID，例如 79501。
Center: 报告该变异的一个或多个基因组测序中心的名称，此处为空（.）。
NCBI_Build: 参考基因组版本，此例中为 GRCh38。
Chromosome: 变异发生的染色体，例如 chr1。
Start_Position: 变异开始位置，例如 69270。
End_Position: 变异结束位置，同为 69270。
Strand: DNA链方向，此处为正链（+）。变异信息
Variant_Classification: 变异分类，此例中为 Silent（同义突变）。
Variant_Type: 变异类型，此例为 SNP（单核苷酸多态性）。
Reference_Allele: 参考等位基因，此处为 A。
Tumor_Seq_Allele1: 肿瘤样本的第一个序列等位基因，此处为 A。
Tumor_Seq_Allele2: 肿瘤样本的第二个序列等位基因，此处为 G。

样本信息

Tumor_Sample_Barcode: 肿瘤样本条码，此处为 TUMOR。
Matched_Norm_Sample_Barcode: 匹配的正常样本条码，此处为 NORMAL。
Match_Norm_Seq_Allele1 和 Match_Norm_Seq_Allele2: 正常样本的序列等位基因，均为 A。

其余后面的列为突变的详细注释信息，不再一样列举

已注释的vcf文件

如果你的vcf文件已经由VEP注释过，可以跳过VEP注释，仅转换格式

perl ~/software/vcf2maf-1.6.22/vcf2maf.pl \
--input-vcf ~/vep/vep_out/homo_test_vepout.vcf \
--output-maf homo_test_inhibit.vep.maf \
--inhibit-vep \ #跳过VEP注释
--ref-fasta ../hg38/hg38.fa

可能遇到的报错

1、需指定参考fasta文件

perl ~/software/vcf2maf-1.6.22/vcf2maf.pl --input-vcf ../vcf/homo_test.filter.vcf --output-maf homo_test.vep.maf

需添加--ref-fasta 参数指定参考fasta文件

2、conda 安装的vep 运行报错 Zlib版本低

perl ~/software/vcf2maf-1.6.22/vcf2maf.pl --input-vcf ../vcf/homo_test.filter.vcf --output-maf homo_test.vep.maf --vep-path /home/data/t020560/miniconda3/envs/wes/bin/ --vep-data ~/vep_data --ref-fasta ../hg38/hg38.fa --ncbi-build GRCh38

报错信息

conda update -c conda-forge perl-compress-raw-zlib

升级Zlib，再次运行不再报错

3、vep cache缓存版本问题

cache目录

报错信息

已下载的缓存版本是vep 111 ,而默认调用的是112，所以可以使用--cache-version 自定义一下版本。

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2024-06-11，如有侵权请联系 cloudcommunity@tencent.com 删除

测试

本文分享自生信菜鸟团微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

登录后参与评论

0 条评论

热度