ICGC-data-parser 0.2.2

安装

通过PyPI：

$ pip install ICGC_data_parser

数据下载

脚本的基础数据是icgc对 体细胞突变数据。可使用

wget https://dcc.icgc.org/api/v1/download?fn=/current/Summary/simple_somatic_mutation.aggregated.vcf.gz

要了解此文件的更多信息，请阅读About the ICGC’s simple somatic mutations file

警告：当前发布的数据包含格式错误的 使用IndexError：

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
~/.local/lib/python3.6/site-packages/vcf/parser.py in _parse_info(self, info_str)
    389                 try:
...
...
...
362     def _parse_info(self, info_str):

ValueError: could not convert string to float: 'PCAWG'

这是由于 VCF文件。若要解决此问题，请在创建 SSM_Reader对象（读取程序位于reader 变量）

# Fix weird bug due to malformed description headersreader.infos['studies']=reader.infos['studies']._replace(type='String')

在未来，这将以更优雅的方式解决，但是 现在这就是我们所拥有的。

使用量

项目中的主要类是SSM_Reader。 它允许轻松读取icgc突变文件：

>>>fromICGC_data_parserimportSSM_Reader# Reads also compressed files!>>>reader=SSM_Reader(open('data/simple_somatic_mutations.aggregated.vcf.gz'))# or...>>>reader=SSM_Reader(filename='data/simple_somatic_mutations.aggregated.vcf.gz')#                       ^^^^^^^^# The filename keyord argument is important, else we get an IndexError

第SSM_Reader.parse 方法允许遍历文件的记录并访问部分 记录在案。您还可以指定正则表达式来仅筛选 您需要的行：

# Print only the mutations that are in the# European Union Breast Cancer project (BRCA-EU).>>>forrecordinreader.parse(filters=['BRCA-EU']):...print(record.ID,record.CHROM,record.POS)MU668655181100141201MU654878751100160548MU662811181100638179MU662541201101352655...

信息字段是特殊的，因为它包含几个 子字段，这些子字段可以是列表形式的条目，包含更多 子字段本身（特别是结果和发生 子字段）：

# The subfields of the INFO field:>>>next(reader).INFO{'CONSEQUENCE':['||||||intergenic_region||','CD1A|ENSG00000158477|+|CD1A-001|ENST00000289429||upstream_gene_variant||'],'OCCURRENCE':['ESAD-UK|1|301|0.00332','EOPC-DE|1|202|0.00495','BRCA-EU|1|569|0.00176'],'affected_donors':3,'mutation':'T>A','project_count':3,'studies':None,'tested_donors':12068}

# The description of the CONSEQUENCE subfield>>>print(reader.infos['CONSEQUENCE'].desc)MutationconsequencepredictionsannotatedbySnpEff(subfields:gene_symbol|gene_affected|gene_strand|transcript_name|transcript_affected|protein_affected|consequence_type|cds_mutation|aa_mutation)

# The description of the OCCURRENCE subfield>>>print(reader.infos['OCCURRENCE'].desc)Mutationoccurrencecountsbrokendownbyproject(subfields:project_code|affected_donors|tested_donors|frequency)

有时我们还想解析这些子字段中的信息。为了 为此，SSM_Reader.subfield_parserfactory方法是 有用。此方法创建指定子字段的分析器 允许轻松访问数据：

# Create the subfield parser for the CONSEQUENCE subfield>>>consequences=reader.subfield_parser('CONSEQUENCE')>>>forrecordinreader.parse():...# Which genes are affected?...genes_affected={c.gene_symbol...forcinconsequences(record)...ifc.gene_affected}......print(f'Mutation: {record.ID}')...print('\t',", ".join(genes_affected))Mutation:MU93246178TPM3Mutation:MU66962994RP11-350G8.9,SHEMutation:MU93246498DCST1,ADAM15,RP11-307C12.11Mutation:MU66377106EFNA3,ADAM15,EFNA4...

库中还包含一些用于操作VCF文件的帮助脚本 （类似于icgc突变文件）：

• vcf_map_assembly.py：创建一个新的vcf，其位置映射到 另一个基因组组合。这很有用，因为当前的位置 icgc报告的是人类基因组集合grch37，而最近的 （也是世界上其他国家使用的）是GRCH38大会。
• vcf_sample.py：用 原版的。突变是随机抽样的，但保持了它们的顺序 原始文件。如果要对 数据，但仍希望结果能代表所有 突变。
• vcf_split.py：将输入vcf拆分为多个（也是有效的vcf）。 如果你想把分析分成过程，这是很有用的 他们每人收到一份文件。

脚本的特定文档可以通过执行获得：

$ python3 <script name>.py --help

此外，图书馆还附带了一些Jupyter笔记本，它们精心制作 关于例子。此外，在笔记本上还演示了 管理与格式错误输入有关的常见分析错误 文件夹。

meta

作者： Ad115- Github- a.garcia230395@gmail.com

项目页： Docs-@GitHub-@PyPI

根据麻省理工学院的许可证发行。见 LICENSE用于 更多信息。

贡献

1. 检查未解决的问题或打开新问题以开始讨论 围绕一个功能想法或一个bug。
2. 叉子the repository 在github上开始对功能分支进行更改，派生 来自master分支。
3. 编写一个测试，显示错误已被修复或功能 按预期工作。
4. 发送一个pull请求并对维护程序进行bug操作，直到它被合并并 出版。