bcftools 处理vcf文件，寻找多个vcf文件中突变的交集

目标

通过varscan等找到somatic mutations之后，想看多个样本的突变之间的交集。bcftools是用来处理vcf文件，可以进行各种相关的处理和分析。

软件的安装可以使用conda，可以参考我往期的教程：https://www.jianshu.com/p/e82a8d799b13

1、bcftools reheader 重新命名vcf的头文件

input="input vcf"
out="output name"
bcftools reheader -h vcf.header.txt ${input}.vcf -o ${out}.vcf

-h vcf.header.txt：新的vcf头文件，用于替代旧的vcf头文件

2、bcftools sort 对vcf进行排序

vcf里面的突变如果没有按照染色体的位置排序，在后续的生成index的时候会报错，因此需要先将生成的突变按照染色体的位置进行排序

  bcftools sort ${out}.vcf -o ${out}.vcf.gz -O z

-O, --output-type b: compressed BCF, u: uncompressed BCF, z: compressed VCF, v: uncompressed VCF [v]

3、bcftools index 对vcf建立索引

需要建立vcf的文件的索引，用于后续分析

bcftools index ${out}.vcf.gz

4、bcftools isec 计算不同vcf之间的突变的交集

这里假设有3个文件，分别是 Breast_1.vcf.gz， Breast_2.vcf.gz和 Breast_3.vcf.gz，我们想知道每一个突变在这3个样本中是否出现

#-n+1: 在3个样本中至少出现一次突变的样本
bcftools isec -n+1 -c all -p merge Breast_1.vcf.gz Breast_2.vcf.gz Breast_3.vcf.gz 
#提取在Breast_1和Breast_2中存在，而在Breast_3中不存在的突变
bcftools isec -n~110 -c all -p merge Breast_1.vcf.gz Breast_2.vcf.gz Breast_3.vcf.gz

-n, --nfiles [+-=~] output positions present in this many (=), this many or more (+), this many or fewer (-), the exact (~) files
-p, --prefix
if given, subset each of the input files accordingly, see also -w

在merge这个文件夹下面，将会生成site.txt这个文件。

head site.txt
chr1    14717   G       A       101
chr1    14907   A       G       111
chr1    14930   A       G       101

这里面的第一行中 101 表示突变在第一个和第三个文件中出现，但是不在第二个文件中出现。1和0分别表示突变有没有在对应的文件中出现。

5、bcftools merge 将所有的突变合并成一个文件

#合并所有的突变到一个文件中
bcftools merge --force-samples -o concate.vcf.gz -O z Breast_1.vcf.gz Breast_2.vcf.gz Breast_3.vcf.gz

6、bcftools view 根据步骤4中计算的交集情况，提取相应的突变

bcftools index concate.vcf.gz
#根据sites.txt，提取对应的突变
bcftools view -T  merge/sites.txt concate.vcf.gz -O z -o concate.select.vcf.gz

#检查突变的数目和sites.txt中的是否一致 
less -S concate.select.vcf.gz|wc -l
#731
wc -l merge/sites.txt
#731

参考文档

bcftools的官网 http://www.htslib.org/doc/bcftools.html
https://bioinformatics.stackexchange.com/questions/8732/find-overlap-between-vcf-files