VCF 注释 —— SnpEff

日常工作之读文档，了解参数改变、新方法功能，对已有流程进行修改。

各种文档看一边遍一遍，使用需要又一次看 SnpEff （http://snpeff.sourceforge.net/index.html ），进行一些整理如下，不过还是建议原文，鬼知道我会在哪里写错理解错。

运行

1. annotation

   java -jar snpEff.jar eff genome input.vcf >output.vcf
   
   # -hgvs, 默认开启，使用 HGVS 变异描述语法对蛋白替换进行描述
   # -fi, 提供bed文件，只对bed区域内位点进行注释
   # -no-downstream, -no-intergenic, -no-intron, -no-upstream, -no-utr, -no [effectType], 参数还可对根据注释类型对注释进行初过滤
   # -canon, 只使用基因对应最长转录本（作为权威转录本）进行注释；参数-canonList可以自行提供基因权威转录本，格式为“GeneID    transcript_ID”
   # -noStats, 不输出注释统计信息
   # -v, 话痨模式，输出各种运行信息

   ​

2. database

   人、小鼠等物种都有已经 build 的数据库，可以直接下载，链接：https://sourceforge.net/projects/snpeff/files/databases/v4_3/，注释选择基因组版本。

   java -jar snpEff.jar databases    # 查看可用数据库
   java -jar snpEff.jar download -v GRCh37.75    # 下载数据库 GRCh37.75
   
   # Q, 使用执行程序下载数据库时容易断，一般建议手动下载，或者wget等其他方式

   软件还提供了自行构建数据库，详细用法如下：

   # 添加配置信息
   echo 'GRCh37.70.genome : Human ' >>~/snpEff/snpEff.config
   
   # Create directoy for this new genome
   mkdir -p ~/snpEff/data/GRCh37.70 && cd ~/snpEff/data/GRCh37.70
   # Get annotation files
   wget -c -O genes.gtf.gz ftp://ftp.ensembl.org/pub/release-70/gtf/homo_sapiens/Homo_sapiens.GRCh37.70.gtf.gz
   # Get the genome
   wget -c -O sequences.fa.gz ftp://ftp.ensembl.org/pub/release-70/fasta/homo_sapiens/dna/Homo_sapiens.GRCh37.70.dna.toplevel.fa.gz
   # Optional, Download CDSs
   wget -c -O cds.fa.gz ftp://ftp.ensembl.org/pub/release-70/fasta/homo_sapiens/cdna/Homo_sapiens.GRCh37.70.cdna.all.fa.gz
   # Optional, Download proteins
   wget -c -O protein.fa.gz ftp://ftp.ensembl.org/pub/release-70/fasta/homo_sapiens/pep/Homo_sapiens.GRCh37.70.pep.all.fa.gz
   # Optional, Download regulatory annotations
   wget -c -O regulation.gff.gz ftp://ftp.ensembl.org/pub/release-70/regulation/homo_sapiens/AnnotatedFeatures.gff.gz
   
   # Building a database from GFF files
   cd ~/snpEff && java -jar snpEff.jar build -gff3 -v GRCh37.70
   # rm -r ~/snpEff/data/GRCh37.70

   此外，snpEff 构建数据库还支持 RefSeq, GenBank 等多种数据输入格式，具体用法查看原文档。

   注意物种 codon 选择，codon 可以在 https://www.ncbi.nlm.nih.gov/Taxonomy/Utils/wprintgc.cgi 中查看，codon可以在~/snpEff/snpEff.config文件中设置：

   # 设置特异 codon
   codon.Invertebrate_Mitochondrial:  TTT/F, TTC/F, TAC/Y, TAA/*, ATG/M+, ATG/M+, ACT/T, ...
   # 物种选择恰当的 codontable
   dm3.M.codonTable : Invertebrate_Mitochondrial    # the chromosome 'M' from fly genome (dm3) uses Invertebrate_Mitochondrial codon table

   ​

3. dump

   从数据库中提取出注释信息

   java -jar snpEff.jar dump -v -bed GRCh37.70 > GRCh37.70.bed
   # [-bed |-txt ] 设置数据格式
   # [-0 |-1 ] 设置坐标系统，0-based 或者 1-based

注释结果

可以看到注释信息被添加到了 VCF 中每个变异 INFO 信息中，以 ANN= 特征开始，详细的注释说明可查看官方文档： http://snpeff.sourceforge.net/VCFannotationformat_v1.0.pdf。因为基因多个转录本、相互重叠基因等原因，可以看到变异位点被多次注释，需根据实际需求进行筛选。