如何聚合超过RAM gzip的csv文件的值？

发布时间：2020-05-23 01:43:08 所属栏目：程序设计来源：互联网

导读：对于初学者我不熟悉生物信息学,特别是编程,但我已经构建了一个脚本,它将通过一个所谓的VCF文件(只包括个体,一个clumn =一个人),并使用搜索字符串来查找对于每个变体(系),个体是纯合的还是杂合的. 这个脚本起作用,至少在小子集上,但我知道它将所有东西都存储在

对于初学者我不熟悉生物信息学,特别是编程,但我已经构建了一个脚本,它将通过一个所谓的VCF文件(只包括个体,一个clumn =一个人),并使用搜索字符串来查找对于每个变体(系),个体是纯合的还是杂合的.

这个脚本起作用,至少在小子集上,但我知道它将所有东西都存储在内存中.我想在非常大的压缩文件(甚至整个基因组)上做这个,但我不知道如何将这个脚本转换成一个逐行完成所有操作的脚本(因为我想要计算整列,我只是不要看看如何解决这个问题.

因此,每个人的输出是5件事(总变体,数字纯合子,数字杂合子,以及同源和杂合子的比例).请参阅以下代码：

#!usr/bin/env python
import re
import gzip

subset_cols = 'subset_cols_chr18.vcf.gz'
#nuc_div = 'nuc_div_chr18.txt'

gz_infile = gzip.GzipFile(subset_cols,"r")  
#gz_outfile = gzip.GzipFile(nuc_div,"w") 

# make a dictionary of the header line for easy retrieval of elements later on

headers = gz_infile.readline().rstrip().split('t')             
print headers                                                   

column_dict = {}                                        
for header in headers:
        column_dict[header] = []                        
for line in gz_infile:                                     
        columns = line.rstrip().split('t')             
        for i in range(len(columns)):                   
                c_header=headers[i]                     
                column_dict[c_header].append(columns[i])
#print column_dict

for key in column_dict:                         
        number_homozygotes = 0          
        number_heterozygotes = 0        

        for values in column_dict[key]: 
                SearchStr = '(d)/(d):d+,d+:d+:d+:d+,d+,d+'     
#this search string contains the regexp (this regexp was tested)
                Result = re.search(SearchStr,values)                    
                if Result:
#here,it will skip the missing genoytypes ./.
                        variant_one = int(Result.group(1))              
                        variant_two = int(Result.group(2))              

                        if variant_one == 0 and variant_two == 0:
                                continue
                        elif variant_one == variant_two:                  
#count +1 in case variant one and two are equal (so 0/0,1/1,etc.)
                                number_homozygotes += 1
                        elif variant_one != variant_two:
#count +1 in case variant one is not equal to variant two (so 1/0,0/1,etc.)
                                number_heterozygotes += 1

        print "%s homozygotes %s" % (number_homozygotes,key) 
        print "%s heterozygotes %s" % (number_heterozygotes,key)

        variants = number_homozygotes + number_heterozygotes
        print "%s variants" % variants

        prop_homozygotes = (1.0*number_homozygotes/variants)*100
        prop_heterozygotes = (1.0*number_heterozygotes/variants)*100

        print "%s %% homozygous %s" % (prop_homozygotes,key)
        print "%s %% heterozygous %s" % (prop_heterozygotes,key)

任何帮助将不胜感激,所以我可以继续研究大型数据集,
谢谢：)

顺便说一下,VCF文件看起来像这样：
INDIVIDUAL_1 INDIVIDUAL_2 INDIVIDUAL_3
0/0：9,0：9：24：0,24,221 1/0：5,4：9：25：25,26 1/1：0,13：13：33：347,33,0

这是带有各个ID名称的标题行(我总共有33个人,ID标签更复杂,我在这里简化了)然后我有很多这些具有相同特定模式的信息行.我只对斜线的第一部分感兴趣,因此定期表达.

披露：我在Hail项目上全职工作.

嗨,您好！欢迎来到编程和生物信息学！

amirouche正确地指出你需要某种“流式传输”或
“逐行”算法来处理太大而无法容纳在RAM中的数据
你的机器.不幸的是,如果你只限于没有库的python,你
必须手动chunk文件并处理VCF的解析.

Hail project是一款面向科学家的免费开源工具
遗传数据太大,无法容纳在RAM中,直到太大而无法放在RAM上
机器(即数十TB的压缩VCF数据).冰雹可以利用
一台机器上的所有核心或云计算机上的所有核心.冰雹
在Mac OS X和大多数GNU / Linux版本上运行.冰雹暴露了统计数据
遗传学领域特定的语言,使你的问题更短
表达.

最简单的答案

你的python代码最忠实的翻译为Hail是这样的：

/path/to/hail importvcf -f YOUR_FILE.vcf.gz 
  annotatesamples expr -c 
    'sa.nCalled = gs.filter(g => g.isCalled).count(),sa.nHom = gs.filter(g => g.isHomRef || g.isHomVar).count(),sa.nHet = gs.filter(g => g.isHet).count()'
  annotatesamples expr -c 
    'sa.pHom =  sa.nHom / sa.nCalled,sa.pHet =  sa.nHet / sa.nCalled' 
  exportsamples -c 'sample = s,sa.*' -o sampleInfo.tsv

我在2.0GB文件上运行了我的双核笔记本电脑上面的命令：

# ls -alh profile225.vcf.bgz
-rw-r--r--  1 dking  1594166068   2.0G Aug 25 15:43 profile225.vcf.bgz
# ../hail/build/install/hail/bin/hail importvcf -f profile225.vcf.bgz 
  annotatesamples expr -c 
    'sa.nCalled = gs.filter(g => g.isCalled).count(),sa.nHet = gs.filter(g => g.isHet).count()' 
  annotatesamples expr -c 
    'sa.pHom =  sa.nHom / sa.nCalled,sa.*' -o sampleInfo.tsv
hail: info: running: importvcf -f profile225.vcf.bgz
[Stage 0:=======================================================> (63 + 2) / 65]hail: info: Coerced sorted dataset
hail: info: running: annotatesamples expr -c 'sa.nCalled = gs.filter(g => g.isCalled).count(),sa.nHet = gs.filter(g => g.isHet).count()'
[Stage 1:========================================================>(64 + 1) / 65]hail: info: running: annotatesamples expr -c 'sa.pHom =  sa.nHom / sa.nCalled,sa.pHet =  sa.nHet / sa.nCalled'
hail: info: running: exportsamples -c 'sample = s,sa.*' -o sampleInfo.tsv
hail: info: while importing:
    file:/Users/dking/projects/hail-data/profile225.vcf.bgz  import clean
hail: info: timing:
  importvcf: 34.211s
  annotatesamples expr: 6m52.4s
  annotatesamples expr: 21.399ms
  exportsamples: 121.786ms
  total: 7m26.8s
# head sampleInfo.tsv 
sample  pHomRef pHet    nHom    nHet    nCalled
HG00096 9.49219e-01 5.07815e-02 212325  11359   223684
HG00097 9.28419e-01 7.15807e-02 214035  16502   230537
HG00099 9.27182e-01 7.28184e-02 211619  16620   228239
HG00100 9.19605e-01 8.03948e-02 214554  18757   233311
HG00101 9.28714e-01 7.12865e-02 214283  16448   230731
HG00102 9.24274e-01 7.57260e-02 212095  17377   229472
HG00103 9.36543e-01 6.34566e-02 209944  14225   224169
HG00105 9.29944e-01 7.00564e-02 214153  16133   230286
HG00106 9.25831e-01 7.41687e-02 213805  17128   230933

哇！ 2GB的7分钟,这很慢！不幸的是,这是因为VCF
不是一个很好的数据分析格式！

优化存储格式

让我们转换为Hail的优化存储格式,VDS,然后重新运行命令：

# ../hail/build/install/hail/bin/hail importvcf -f profile225.vcf.bgz write -o profile225.vds
hail: info: running: importvcf -f profile225.vcf.bgz
[Stage 0:========================================================>(64 + 1) / 65]hail: info: Coerced sorted dataset
hail: info: running: write -o profile225.vds
[Stage 1:>                                                         (0 + 4) / 65]
[Stage 1:========================================================>(64 + 1) / 65]
# ../hail/build/install/hail/bin/hail read -i profile225.vds 
       annotatesamples expr -c 
         'sa.nCalled = gs.filter(g => g.isCalled).count(),sa.nHet = gs.filter(g => g.isHet).count()' 
       annotatesamples expr -c 
         'sa.pHom =  sa.nHom / sa.nCalled,sa.pHet =  sa.nHet / sa.nCalled' 
       exportsamples -c 'sample = s,sa.*' -o sampleInfo.tsv
hail: info: running: read -i profile225.vds
[Stage 1:>                                                          (0 + 0) / 4]SLF4J: Failed to load class "org.slf4j.impl.StaticLoggerBinder".
SLF4J: Defaulting to no-operation (NOP) logger implementation
SLF4J: See http://www.slf4j.org/codes.html#StaticLoggerBinder for further details.
[Stage 1:============================================>              (3 + 1) / 4]hail: info: running: annotatesamples expr -c 'sa.nCalled = gs.filter(g => g.isCalled).count(),sa.nHet = gs.filter(g => g.isHet).count()'
[Stage 2:========================================================>(64 + 1) / 65]hail: info: running: annotatesamples expr -c 'sa.pHom =  sa.nHom / sa.nCalled,sa.*' -o sampleInfo.tsv
hail: info: timing:
  read: 2.969s
  annotatesamples expr: 1m20.4s
  annotatesamples expr: 21.868ms
  exportsamples: 151.829ms
  total: 1m23.5s

大约快五倍！关于更大规模,在代表完整VCF的VDS上在Google云上运行相同的命令,1000 Genomes Project(2535全基因组,约315GB压缩)使用328个工作核心花费3m42s.

使用冰雹内置

（编辑：安卓应用网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!