somatico_vep 🧬

Passo a passo de como anotar um arquivo VCF utilizando o Ensembl Variant Effect Predictor (VEP) através do google colab e google drive.

Conteúdo

1. Requisitos
2. Obtenção do arquivo VCF
3. Anotação do arquivo VCF

Requisitos

• Acesso à internet
• Conta google
• Arquivo VCF

Obtenção do arquivo VCF

Realizar as análises de acordo com o tutorial disponibilizado em https://github.com/renatopuga/somatico.git

Um exemplo é fornecido nos arquivos deste repositório (WP312.filtered.vcf.gz)

Anotação do arquivo VCF

1. Fazer log in em sua conta google
2. Abrir um novo notebook no google colab (https://colab.research.google.com/)
3. Montar o google drive

from google.colab import drive          # importar a biblioteca
drive.mount('/content/drive')           # montar o drive

4. Criar um diretório para executar as análises

!mkdir somatico                         # criar diretório
%cd somatico                            # entrar definitivamente no diretório

5. Para verificar se está dentro do diretório

%%bash
pwd

6. Instalar o VEP

• Instalar as dependências

%%bash
sudo apt install unzip curl git libmodule-build-perl libdbi-perl libdbd-mysql-perl build-essential zlib1g-dev

• Download do release esembl-vep 105.0

%%bash
wget -c https://github.com/Ensembl/ensembl-vep/archive/refs/tags/105.0.tar.gz

• Descompactar o releaase

%%bash
tar -zxvf 105.0.tar.gz

• Entrar no diretório e rodar a instalação

%%bash
cd ensembl-vep-105.0
./INSTALL.pl --NO_UPDATE  

7. Testar a instalação

%%bash
cd ensembl-vep-105.0
./vep 

O resultado esperado é:

#----------------------------------#
# ENSEMBL VARIANT EFFECT PREDICTOR #
#----------------------------------#

Versions:
ensembl              : 105.525fbcb
ensembl-funcgen      : 105.660df8f
ensembl-io           : 105.2a0a40c
ensembl-variation    : 105.ac8178e
ensembl-vep          : 105.0

Help: [email protected] , [email protected]
Twitter: @ensembl

http://www.ensembl.org/info/docs/tools/vep/script/index.html

Usage:
./vep [--cache|--offline|--database] [arguments]

Basic options
=============

--help                 Display this message and quit

-i | --input_file      Input file
-o | --output_file     Output file
--force_overwrite      Force overwriting of output file
--species [species]    Species to use [default: "human"]
                     
--everything           Shortcut switch to turn on commonly used options. See web
                     documentation for details [default: off]                       
--fork [num_forks]     Use forking to improve script runtime

For full option documentation see:
http://www.ensembl.org/info/docs/tools/vep/script/vep_options.html

8. Anotação do arquivo VCF

• A documentação pode ser consultada em https://www.ensembl.org/info/docs/tools/vep/script/index.html
• Rodar o vep
  • as flags utilizadas são:

Parâmetros	Descrição
-i	arquivo CF input
-o	arquivo formato .tsv output
--fork	número de threads
--dir_cache	diretório de cache
--fasta	sequência referência
--cache	habilita uso do cache
--offline	roda sem uso de conexão com internet
--assembly	versão da montagem
--refseq	esepcificque esta opção caso tenha instalado refseq cache
--pick	Escolha uma linha ou bloco de dados de consequência por variante
--pick_allele	escolhe uma linha ou bloco de dados de consequência por alelo variante
--force_overwrite	escreve sobre arquivo existente
--tab	output em formato tabular
--symbol	adiciona símbolo dos genes
--check_existing	Verifica a existência de variantes conhecidas que estão co-localizadas com sua entrada
--variant_class	Fornce a classe de variante da Sequence Ontology
--everything	Busca todas as colunas
--filter_common	Exclui variantes com frequência > 1% no banco 1000 geomas

%%bash
./ensembl-vep-105.0/vep  \
  --fork 3 \
  -i /path_to_file/file_name.vcf.gz \
  -o /path_to_file/output.vcf.tsv \
  --dir_cache /path_to_dir/dir_name/ \
  --fasta /path_to_file/file_name.fasta \
  --cache --offline --assembly GRCh37 --refseq  \
  --pick --pick_allele --force_overwrite --tab --symbol --check_existing --variant_class --everything --filter_common \
  --fields  "Uploaded_variation,Location,Allele,Existing_variation,HGVSc,HGVSp,SYMBOL,Consequence,IND,ZYG,Amino_acids,CLIN_SIG,PolyPhen,SIFT,VARIANT_CLASS,FREQS" \
  --individual all

• Visualizar rapidamente o arquivo gerado

# ver arquivo output
!head -n 39 filename.tsv

• Visualizar o arquivo em formato dataframe usando pandas

!pip install pandas          # instalar a biblioteca pandas
import pandas as pd          # importar a biblioteca
import csv                   # importar a biblioteca para leitura do arquivo tsv

df = pd.read_csv('filename.tsv', sep='\t', skiprows=38, header = 0)           # importar o arquivo
df = pd.DataFrame(df)                                                         # transformar em dataframe
df                                                                            # visualizar