本文目录一览：
- 1、跟着Nature ecology and evolution学python：vcf文件转换成fasta文件
- 2、基于vcf文件构建进化树
- 3、python如何读取xml中的list表，并将其转换成如下VCF格式输出？请给出具体程序，编译成功给分
- 4、生物数据格式 - vcf/bcf
- 5、将多个样本的vcf文件转化为Phylip输入格式的python脚本
- 6、怎么读取千人基因组中的vcf数据格式文件
跟着Nature ecology and evolution学python：vcf文件转换成fasta文件
本地pdf文件
A polar bear paleogenome reveals extensive ancient gene flow from polar bears into brown bears.pdf
这个脚本用到了 Pool python多线程处理，主要学习这个内容
如果是在windows系统下运行脚本
abc是一个文件夹，需要在当前目录下存在
这里会遇到报错 NameError: name 'dict_run' is not defined 这里的dict_run是使用global定义到函数里的一个变量，linux系统下就没有这个问题，windows学习通下的python是3.8.3，linux系统下的python版本是3.9.1
使用脚本的时候linux系统下不知道为啥用tab键不能补全文件名，暂时不知道是什么原因
脚本里定义了每种基因型对应的碱基序列
这里非纯合的位点定义为M R W这些是为啥，暂时想不明白
这个脚本有局限是，他定义了vcf文件的基因型
如果vcf文件的基因型不是这些的话就会报错keyError
这里Pool这个函数好像是必须搭配 if __name__ == '__main__': 这个语句
参考链接
小明的数据分析笔记本
基于vcf文件构建进化树
===========第一种方法利用VCF2Dis生成距离矩阵===================
VCF2Dis -i all.chromosome.SNP.changID.vcf -o p_dis.mat //我大概600多份样品，也运行了3天左右
然后利用fastme转化成为树的格式（nwk）（链接：）
转化为newick格式
我个人喜欢iTol（）来调整样式
==================第二种方法 转化vcf文件为phylip 格式==========
python vcf2phylip.py --input myfile.vcf --fasta --nexus
然后，利用phylip构建进化树
phylip 在命令行中可以根据提示输入参数，也可以用含有参数的文本导入参数。
利用 dnadist：计算距离矩阵，最耗时，几千个SNP可能需要1天甚至数天。 参数文本dnadist.par //有点耗时间
$ cat dnadist.par
myfile.vcf.phy
2 #将软件运行情况显示出来
Y #确认以上设定的参数
$ dnadist dnadist.par
$ mv outfile dnadist.out
生成距离矩阵，然后利用neighbor: Neighbor-Joining 构建进化树
我最好还是在iTOL里面进行样式调整
python如何读取xml中的list表，并将其转换成如下VCF格式输出？请给出具体程序，编译成功给分
1.可以使用ElementTree模块
from xml.etree.ElementTree import ElementTree
from xml.etree.ElementTree import Element
from xml.etree.ElementTree import SubElement
from xml.etree.ElementTree import dump
from xml.etree.ElementTree import Comment
from xml.etree.ElementTree import tostring
2.可以使用BeautifulSoup模块
生物数据格式 - vcf/bcf
VCF是Variant Call Format的简称，该格式文件是专门用于存储基因序列突变信息的一种文本文件，包括单碱基突变SNV、单核苷酸多态性SNP、InDel、拷贝数变异CNV和结构变异SV等，文件可以采取editplus或pilotedit(建议)打开查看，其二进制存储格式是BCF。vcf文件后续可以用于多种分析，包括但不限于：进化树分析、群体结构分析、PCA分析、GWAS关联分析等。vcf文件格式如下：
VCF文件开头是整体的注释信息，以##作为起始，其后接FILTER、INFO、FORMAT等，其中##FILTER开头的行是vcf主体record中第七列缩写词的说明、##INFO开头的行注释vcf主体record中第8列的缩写字母、##FORMAT开头的行注释第九列的缩写字母。
在header之后，vcf主体的每一行是一条record，固定列有9列，以及在之后的第十列，它们分别是：
第一列：#CHROM，染色体号
第二列：POS，在染色体上的位置
第三列：ID，突变名称，一般只有人类才有dbSNP编号，以rs开头
第四列：REF，参考基因组碱基类型，必须大写
第五列：ALT，变异碱基类型，大写，多个以逗号分隔，‘.'表示缺失
第六列：QUAL，变异检测质量值，越高越可靠
第七列：FILTER，标记过滤结果的列：通过质控过滤标准的标记为‘PASS’，后续可用其他工具进行挑选过滤
第八列：INFO，附加信息列，附加信息的注释在header的##INFO中
第九列：FORMAT，后面信息的说明列
第十列开始为样品信息：GT=genotype、AD=碱基支持数量、DP=测序深度总和、PL=归一化后基因型的可能性、GQ=PL判读的基因型的质量值，其中当第二小的值小于99时，有必要怀疑基因型的可靠性。
vcf文件基本由bam文件生成，当得到排序并建立索引的bam文件后，可以使用多种工具例如bcftools、gatk、freebayes、lumpy、delly、varscan2等处理得到。
处理vcf格式文件的软件有许多种，包括：bcftools、vcftools、gatk、python_pyvcf、plink等。
———以上属个人理解与记录
将多个样本的vcf文件转化为Phylip输入格式的python脚本
但是phylip又不能直接把vcf文件作为输入文件，它的输入格式要求如下
第一行的两个数字分别为样本数和SNP数目
第二行的第一列为物种名称，一定要是10个字符的长度，长度不足可以用空格填充.第二列则是要用于比对的SNP序列。两列之间没有分隔符，而且后面的SNP每10个字符有一个空格.
python脚本如下：
可以选择输出fasta文件或者phy文件
怎么读取千人基因组中的vcf数据格式文件
（看到这个问题是近3年前的，提问者应该早就知道了，但好像没有正确的回答，就在这里回答一下希望对别的搜索的问题的人有帮助）
既然知道vcf文件，就默认你是在linux系统下操作的。
1）只是查看的话：如果是.vcf.gz压缩格式，就使用这个命令：less yourfile.vcf.gz，打开乱码试试这个：bcftools view yourfile.vcf.gz |less ；如果不是压缩格式: less yourfile.vcf就可以查看。
2）如果是要操作vcf的话：就用python，导入pysam模块，没有这个模块要下载。pysam模块下载：pip install pysam，如果下不了就自己网上搜一下。顺便提供一个pysam的说明文档，有操作示例：网页链接
