
给一批VCF做功能注释,先把数据库选择和任务完成检查分开。数据库错误时,批量自动化只会更快地产生同类错误。本文处理已规范、参考已核对的SNV和小indel VCF,使用SnpEff的ann入口保留完整变异记录,不添加只取canonical等额外转录本筛选。功能后果属于注释证据,不能直接解释为致病结论。
先固定软件、数据库和参考
| 对象 | 需保存 | 检查重点 |
|---|---|---|
| 软件 | JAR版本、校验值与Java版本 | 与数据库格式兼容 |
| 数据库 | 完整数据库ID与来源 | 物种、组装及注释发布版 |
| 配置 | snpEff.config及dataDir | 指向已验收数据库,不临时换库 |
| VCF | 样本、变异类型与规范化规则 | REF符合原参考;染色体名称匹配 |
先用databases命令在所选配置中查数据库完整ID,再按官方download命令准备;已有库也需保存版本记录。下面把SNPEFF_DB作为必须填写的环境变量,不把泛称“hg38”当作数据库ID。正式运行关闭自动下载,让缺库明确失败,避免批量过程中网络或配置变化引入不同数据版本。
按输入清单顺序执行
samples.tsv为无表头、LF换行的两列TAB:安全任务ID和VCF绝对路径。输入为本轮尚未注释的VCF,可为.gz压缩;先完成格式、参考和样本关系核对。4g Java堆是调用示例,按实际资源验证后调整,不能直接当作整机内存需求。
set -euo pipefail
: "${SNPEFF_DB:?填写已确认的完整数据库ID}"
jar=/opt/snpEff/snpEff.jar
config=/opt/snpEff/snpEff.config
data=/ref/snpeff-data
test -s "$jar";test -s "$config";test -d "$data"
mkdir snpeff-batch
java -jar "$jar" -version > snpeff-batch/version.txt 2>&1
declare -A seen=();n=0
while IFS=$'\t' read -r id vcf extra || [[ -n "$id$vcf$extra" ]]; do
[[ "$id" =~ ^[A-Za-z0-9][A-Za-z0-9_.-]*$ ]]
[[ "$vcf" = /* && -z "$extra" ]]
[[ -z "${seen[$id]+yes}" ]];seen[$id]=1
test -s "$vcf"
d="snpeff-batch/$id";mkdir "$d"
bcftools query -f '%CHROM\t%POS\t%REF\t%ALT\n' "$vcf" > "$d/input.keys"
/usr/bin/time -v -o "$d/time.txt" java -Xmx4g -jar "$jar" ann \
-c "$config" -dataDir "$data" -nodownload -stats "$d/summary.html" \
"$SNPEFF_DB" "$vcf" > "$d/annotated.partial.vcf" 2> "$d/run.log"
test -s "$d/annotated.partial.vcf"
bcftools view -h "$d/annotated.partial.vcf" > "$d/header.txt"
grep -q '^##INFO=<ID=ANN,' "$d/header.txt"
bcftools query -f '%CHROM\t%POS\t%REF\t%ALT\n' "$d/annotated.partial.vcf" > "$d/output.keys"
cmp "$d/input.keys" "$d/output.keys"
test -s "$d/summary.html"
mv "$d/annotated.partial.vcf" "$d/annotated.vcf"
printf 'COMPUTE_OK\n' > "$d/status.txt"
n=$((n+1))
done < samples.tsv
test "$n" -gt 0
验收ANN,而不是只数输出文件
SnpEff命令文档说明ANN字段包含等位基因、后果、影响等级、基因和转录本等信息。核对VCF头中的实际格式与软件/数据库记录,抽查已知区域及多转录本记录,并查看summary与run.log中的错误、警告。ANN存在只说明声明了字段,不证明每个变异都获得了可解释的注释。
输入输出变异键逐行一致,可以发现意外丢行、次序或等位基因变化;它不检查所有基因型和原INFO是否完整,重要项目应进一步核对这些字段。没有变异的合法VCF可只含头部,不能为凑注释数量制造记录;有变异但大量找不到染色体或参考不符时,应停止解释并回查库。
批量异常与资源怎样处理
数据库找不到先检查config、dataDir、数据库ID和版本,不能让程序自动挑另一个近似名称。REF不匹配先追溯组装及规范化,不用强行忽略警告来让任务通过。重复任务ID和旧输出目录会被拒绝;失败目录保留partial及日志,修复后用新批次目录运行。
每个VCF记录位点数、完整耗时、进程RSS、输出与统计占盘。小文件批量可用独立任务并发,但每个Java进程可能各载一份数据库,预算要看总量。更多堆或线程不能修复数据库错误,只有命令和注释通过验收后,再按CPU、RAM或I/O的实测瓶颈安排资源。
后续如果只选特定转录本、关闭某类后果或调整上下游区间,必须保存新的参数版本,并评估结果变化。不要把筛选后的较小输出与本例全量注释直接比较速度。数据库升级也应先用固定小集合做差异检查,再决定是否重注释整批。
需要额外算力时
适用前提:数据库正确且注释命令已验证,大批量文件需要稳定运行资源。如需额外资源,可评估按任务测算的CPU服务器租赁。咨询时说明软件版本、任务规模和使用期限,配置与支持范围另行确认。
咨询本任务的服务器配置
留下手机号,我们会结合本文任务与您沟通服务器配置和报价。 也可联系云生信企业微信客服,说明本文任务。咨询本任务的服务器配置
参考与版本核对
按文中适用环境运行,所用版本与参数以实际安装环境和对应官方文档为准。
