用snpEFF对vcf格式的突变数据进行注释

这个软件比较重要，尤其是对做遗传变异相关研究的，很多人做完了snp-calling后喜欢用ANNOVAR来进行注释，但是那个注释还是相对比较简单，只能得到该突变位点在基因的哪个区域，那个基因这样的信息，如果想了解更具体一点，就需要更加功能化的软件了，snpEFF就是其中的佼佼者，而且是java平台软件，非常容易使用！而且它的手册写的非常详细：http://snpeff.sourceforge.net/SnpEff_manual.html

官网是：http://snpeff.sourceforge.net/

1       889455  .       G       A       .       .        ## 假设我们的vcf文件里面记录的突变是这个，那么我们可以用snpEFF进行注释，注释得到的信息非常完全！

信息用|符号分割，所有很容易用脚本提取需要的信息

ANN=A|stop_gained|HIGH|NOC2L|ENSG00000188976|transcript|ENST00000327044|protein_coding|7/19|c.706C>T|p.Gln236*|756/2790|706/2250|236/749||,A|downstream_gene_variant|MODIFIER|NOC2L|ENSG00000188976|transcript|ENST00000487214|processed_transcript||n.*865C>T|||||351|,A|downstream_gene_variant|MODIFIER|NOC2L|ENSG00000188976|transcript|ENST00000469563|retained_intron||n.*878C>T|||||4171|,A|non_coding_exon_variant|MODIFIER|NOC2L|ENSG00000188976|transcript|ENST00000477976|retained_intron|5/17|n.2153C>T||||||;LOF=(NOC2L|ENSG00000188976|6|0.17);NMD=(NOC2L|ENSG00000188976|6|0.17)

包括突变类型是：non_coding_exon_variant

突变在各种转录本上面，在每个转录本的第几个碱基呀，哪个氨基酸的改变呀，氨基酸第几位呀！

标准突变表示形式是：

突变发生在NOC2L这个基因上面，它的ensembl 数据库ID是ENSG00000188976

其余的看头文件自己慢慢理解：

“Functional annotations: ‘Allele | Annotation | Annotation_Impact | Gene_Name | Gene_ID | Feature_Type | Feature_ID | Transcript_BioType | Rank | HGVS.c | HGVS.p | cDNA.pos / cDNA.length | CDS.pos / CDS.length | AA.pos / AA.length | Distance | ERRORS / WARNINGS / INFO’

软件安装：

选择最新版软件下载：https://sourceforge.net/projects/snpeff/files/

wget https://sourceforge.net/projects/snpeff/files/snpEff_latest_core.zip

因为是java软件，unzip 解压之后就可以直接使用，当然前提是你有java平台。

输入数据：

首先下载用来做注释的数据库：java -jar snpEff.jar download GRCh37.75(自己选择需要的版本)

软件下载很快，但是数据库下载就需要一定时间啦，去喝杯咖啡吧。

然后软件本身会提供example文件，里面就是一堆各种各样的vcf数据，而且还提供了运行命令，非常简单(examples.sh) ,这些就是我们的输入数据啦！

运行命令：

运行也很简单：

java -Xmx4G -jar snpEff.jar -i vcf -o vcf GRCh37.75 example.vcf > example_snpeff.vcf

指定输入输出格式都是vcf，然后指定刚才下载的必备数据库，然后输入输出文件即可！

也可以调用全路径，如果你写在脚本里面的话！

java -Xmx4G -jar path/to/snpEff/snpEff.jar \
-c path/to/snpEff/snpEff.config \
GRCh37.69 \
path/to/example.vcf > example_snpeff.vcf

结果解读：

这个非常复杂，对结果理解了多少，就是我们对软件理解了多少。

具体大家看readme吧，注释信息太多了，按需索取：

1. chromosome_number_variation
2. exon_loss_variant
3. frameshift_variant
4. stop_gained
5. stop_lost
6. start_lost
7. splice_acceptor_variant
8. splice_donor_variant
9. rare_amino_acid_variant
10. missense_variant
11. inframe_insertion
12. disruptive_inframe_insertion
13. inframe_deletion
14. disruptive_inframe_deletion
15. 5_prime_UTR_truncation exon_loss_variant
16. 3_prime_UTR_truncation exon_loss
17. splice_branch_variant
18. splice_region_variant
19. splice_branch_variant
20. stop_retained_variant
21. initiator_codon_variant
22. synonymous_variant
23. initiator_codon_variant non_canonical_start_codon
24. stop_retained_variant
25. coding_sequence_variant
26. 5_prime_UTR_variant
27. 3_prime_UTR_variant
28. 5_prime_UTR_premature_start_codon_gain_variant
29. upstream_gene_variant
30. downstream_gene_variant
31. TF_binding_site_variant
32. regulatory_region_variant
33. miRNA
34. custom
35. sequence_feature
36. conserved_intron_variant
37. intron_variant
38. intragenic_variant
39. conserved_intergenic_variant
40. intergenic_region
41. coding_sequence_variant
42. non_coding_exon_variant
43. nc_transcript_variant
44. gene_variant
45. chromosome

http://snpeff.sourceforge.net/VCFannotationformat_v1.0.pdf

原文来自：http://www.bio-info-trainee.com/1594.html