文件<- system。文件("vcf"， "NA06985_17.vcf.gz"， package = " variables ")

4．1检查vcf文件中的头数据

为了了解文件中有哪些数据，我们看一下头文件。scanVcfHeader()将文件头解析为VCFHeader对象，info()和geno()访问器提取字段特定的数据。

hdr <- scanVcfHeader(file) info(hdr)

## DataFrame with 3 row and 3 columns ## Number Type Description ##    ## NS 1 Integer Number of Samples Wi..## DP 1整数总深度## DB 0标志dbSNP成员，bu..

基因族群(hdr)

##数据帧12行3列##数字类型描述## <字符> <字符> <字符> ## GT 1字符串基因型## GQ 1整数基因型质量## DP 1整数读深度## HDP 2整数单倍型读深度## hq2整数单倍型质量## ... ... ... ...## mRNA。字符串重叠mRNA ## rmsk。字符串重叠重复## segup。重叠段..## rCov 1浮动相对覆盖率## cPd 1字符串称为Ploidy(级别)

VCF中的变体已经与NCBI基因组构建GRCh37对齐:

元(hdr)

长度为6的数据aframelist (6): fileDate文件格式相位引用源contig

［回到顶部］

4.2将基因符号转换为基因id

使用org.Hs.eg.db包将基因符号转换为基因id。

##获取基因符号genesym <- c("TRPV1"， "TRPV2"， "TRPV3") genesym <- select(org. hs . e.g. .db, keys=genesym, keytype="SYMBOL"， columns="ENTREZID")

## 'select()'返回键和列之间的1:1映射

geneid

##符号1 trpv1 7442 ## 2 trpv2 51393 ## 3 trpv3 162514

［回到顶部］

4.３创建基因范围

我们使用UCSC的hg19已知基因轨迹来识别TRPV基因范围。这些范围最终将用于从VCF文件中的区域提取变量。

加载注释包。

txdb <- txdb . hsapiens . ucsc .hg19。knownGene txdb

# # TxDb对象:# # # Db型:TxDb支持包:# # # # # # GenomicFeatures数据来源:UCSC基因组:# # # # # # hg19生物:智人# # #分类ID: 9606 # # # UCSC的表:knownGene # # #资源URL: http://genome.ucsc.edu/ # # #的基因类型ID: Entrez基因ID # # #完整数据集:是的# # # miRBase构建ID: GRCh37 # # # transcript_nrow: 82960 # # # exon_nrow: 289969 # # # cds_nrow: 237533 # # # Db由:GenomicFeatures包从Bioconductor # # #创建时间:2015-10-07 18:11:28 +0000(星期三，2015年10月07日)## #基因组特征创建时的版本:1.21.30 ## RSQLite创建时的版本:1.0.0 ## DBSCHEMAVERSION: 1.1

我们的VCF文件与NCBI的基因组进行了比对，已知的基因轨迹来自UCSC。这些机构对染色体有不同的命名惯例。为了在匹配或重叠操作中使用这两段数据，染色体名称(也称为sesqlevels)需要匹配。我们将修改txdb以匹配VCF文件。

txdb <- keepSeqlevels(txdb， "chr17")

按基因创建一个转录本列表:

txbygene <- transcriptsBy(txdb， "gene")

创建TRPV基因的基因范围

gnrng <- unlist(range(txbygene[geneid$ENTREZID])， use.names=FALSE) names(gnrng) <- geneid$SYMBOL

［回到顶部］

4.4提取变量子集

ScanVcfParam对象用于检索数据子集。该对象可以指定基因组坐标(范围)或单个VCF元素。范围(与字段)的提取需要一个表索引。参见?indexTabix了解详细信息。

seqinfo (gnrng)

## seqnames seqlengthiscircular genome ## chr17 81195210 NA hg19

seqlevels(gnrng) <- sub("chr"， ""， seqlevels(gnrng)) genome(gnrng) <- "B37" seqinfo(gnrng)

## seqnames seqlengthiscircular genome ## 17 81195210 NA B37

## seqlevelsStyle(gnrng) <- "NCBI" param <- ScanVcfParam(which = gnrng, info = "DP"， geno = c("GT"， "cPd"))参数

##类:ScanVcfParam ## vcfWhich: 1 elements ## vcfFixed: character()[所有]## vcfInfo: DP ## vcfGeno: GT cPd ## vcfSamples:

##从VCF文件中提取TRPV范围VCF <- readVcf(file, param = param) ##使用'fixed'， 'info'和'geno'访问器检查VCF对象

##类:折叠dvcf ## dim: 405 1 ## rowRanges(vcf): ## GRanges with 5个元数据列:paramRangeID, REF, ALT, QUAL, FILTER ## info(vcf): ## DataFrame with 1列:DP ## info(header(vcf)): ## Number Type Description ## DP 1 Integer Total Depth ## geno(vcf): ##长度列表2:GT, cPd # geno(header(vcf)): ## Number Type Description ## cPd 1 String called Ploidy(level)

头(固定(vcf))

## 6行4列的数据帧## REF ALT QUAL FILTER ##   <数字> <字符> ## 1 A G 120 PASS ## 2 A 0 PASS ## 3 AAAAA 0 PASS ## 4 AA 0 PASS ## 5 C T 59 PASS ## 6 T C 157 PASS

基因族群(vcf)

长度为2的名称列表(2):GT cPd

seqinfo (vcf)

## Seqinfo对象，包含B37基因组的25个序列;no seqlength: ## seqnames seqlength isCircular genome ## 1   B37 ## 2   B37 ## 3   B37 ## 4   B37 ## 5   B37 ## ... ... ... ...# # 21 < NA > < NA > B37 # # 22 < NA > < NA > B37 # # X < NA > < NA > B37 # # Y < NA > < NA > B37 # # M < NA > < NA > B37

基因组(vcf) <——“hg19”seqlevels (vcf) < -子(“([[数位:]]+)”,“科\ \ 1”,seqlevels (vcf) seqinfo (vcf)

## hg19基因组25个序列的Seqinfo对象;no seq# # seqnames seqiscircular genome ## chr1   hg19 ## chr2   hg19 ## chr3   hg19 ## chr4   hg19 ## chr5   hg19 ## ... ... ... ...## chr21   hg19 ## chr22   hg19 X   hg19 Y   hg19 M   hg19

## seqlevelsStyle(vcf) <- "UCSC" vcf <- keepSeqlevels(vcf， "chr17")

［回到顶部］

4．5基因模型中的变异位置

locateVariants函数可以识别基因结构中的变体位置，例如，外显子，utr，剪接位点等。我们使用来自txdb . hspapiens . ucsc .hg19的基因模型。knownGene包加载较早。

使用“region”参数定义感兴趣的区域。参见?locateVariants获取详细信息。cd <- locateVariants(vcf, txdb, codingvariables ()) 5 <- locateVariants(vcf, txdb, fiveutrvariables ()) splice <- locateVariants(vcf, txdb, SpliceSiteVariants())内含子<- locateVariants(vcf, txdb, intronvariables ())

all <- locatvariants (vcf, txdb, allvariables ())

##有效的警告。seqinfo (x,建议。GRanges对象包含140个超出边界的范围，位于序列## 62411、62399、62400、62401、62403、62404、62405和62407上。注意，位于长度未知(NA)的序列或##循环序列上的##范围不会被认为是超出范围的(使用seqlength()和## isCircular()来获取底层##序列的长度和循环标志)。您可以使用trim()来修剪这些范围。参见## ? ' trim,GenomicRanges-method '获取更多信息。

##“select()”返回多个:1个键和列之间的映射##“select()”返回多个:1个键和列之间的映射##“select()”返回多个:1个键和列之间的映射##“select()”返回多个:1个键和列之间的映射##“select()”返回多个:1个键和列之间的映射##“select()”返回多个:1个键和列之间的映射

cds中的每一行表示一个变体-转录匹配，因此每个变体可以有多行。如果我们对基因中心问题感兴趣，数据可以根据基因进行总结，而不考虑转录本。

是否有任何变异与一个以上的基因匹配?geneByQuery <- sapply(split(所有$GENEID，所有$QUERYID)，唯一)table(length (geneByQuery) > 1)

## ##假真## 176 193

queryByGene <- sapply(split(all$QUERYID, all$GENEID)， unique) table(length (queryByGene) > 1)

## ##假的真## 1 12

酸式焦磷酸钠(queryByGene、长度)

## 100141515 10801 125144 147138 162514 23210 23729 51393 ## 46 139 1 111 57 10 25 ## 56985 57690 6427 7442 84690 ## 22 162 10 29 16

##根据基因总结变量位置:sapply(names(queryByGene)， function(nm) {d <- all[所有$GENEID %in% nm, c("QUERYID"， " location ")] table(d$ location [duplicate (d) == FALSE])})

# # 100141515 10801 125144 147138 162514 23210 23729 51393 56985 57690 # # spliceSite 0 0 0 0 2 0 0 0 0 0 # #基因内区46 139 0 111 0 10 0 0 22 162 # # fiveUTR 0 0 0 0 2 0 0 1 0 0 # # threeUTR 0 0 0 0 0 2 1 0 0 # # 25编码0 0 0 0 5 0 0 3 0 0 # #基因间的0 0 0 0 0 0 0 0 0 0 # #子0 0 1 0 0 0 0 0 0 # # 23日6427 7442 84690 # # spliceSite 0 1 0 # #基因内区10 0 0 # # fiveUTR 0 3 5 # # threeUTR 0 2 0 0 8 0 # # # #编码基因间的0 0 0 # #子0 15 11

［回到顶部］

4.6非同义变体中氨基酸编码的变化

非同义变体的氨基酸编码可以用函数predictCoding计算。BSgenome.Hsapiens.UCSC。Hg19包作为参考等位基因的来源。变异等位基因由用户提供。

aa <- predictCoding(vcf, txdb, Hsapiens)

##有效的警告。seqinfo (x,建议。GRanges对象包含140个超出边界的范围，位于序列## 62411、62399、62400、62401、62403、62404、62405和62407上。注意，位于长度未知(NA)的序列或##循环序列上的##范围不会被认为是超出范围的(使用seqlength()和## isCircular()来获取底层##序列的长度和循环标志)。您可以使用trim()来修剪这些范围。参见## ? ' trim,GenomicRanges-method '获取更多信息。

##在.predictCodingGRangesList(query, cache[["cdsbytx"]]]， seqSource，: ##缺少'varAllele'的记录被忽略

##警告在. predictcodinggrangeslist(查询，缓存[["cdsbytx"]]]， seqSource，: ## 'varAllele'值与'N'， '。'， '+'或'-'没有被翻译

predictCoding只返回编码变量的结果。与locateVariants一样，输出为每个变体匹配一行，因此每个变体可以有多行。

是否有任何变异与一个以上的基因匹配?aageneByQuery <- split(aa$GENEID, aa$QUERYID) table(长度(sapply(aageneByQuery, unique)) > 1)

## ##错误## 17

##根据基因总结变种的数量:aaaqueryByGene <- split(aa$QUERYID, aa$GENEID, drop=TRUE) sapply(aaaqueryByGene, length)

## 162514 51393 7442 ## 37 3 56

##根据基因总结变体结果:sapply(names(aaaqueryByGene)， function(nm) {d <- aa[aa$GENEID %in% nm, c("QUERYID"，" consequence ")] table(d$ consequence [duplicate (d) == FALSE])})

## 162514 51393 7442 ##非同义2 0 2 ##未翻译1 0 5 ##同义3 3 1

“未翻译”的变量由调用predictCoding时抛出的警告解释。缺少变量等位基因或变量等位基因中有“N”的变体不会被翻译。如果变体等位基因取代导致了移码，那么结果将是“移码”。参见predictCoding以获取详细信息。

［回到顶部］