如何用TXT文件过滤Hail遗传表？含R/Python处理方案

步骤1：读取并预处理过滤用的TXT文件 #

先将TXT文件导入为Hail表，指定字段类型避免类型不匹配报错，同时生成Hail标准的locus（位点）格式：

import hail as hl

# 初始化Hail环境
hl.init()

# 读取过滤文件，根据实际字段调整类型（比如CHR是字符串，POS是整数）
filter_ht = hl.import_table("your_filter_file.txt", 
                            types={'CHR': hl.tstr, 'POS': hl.tint32, 'REF': hl.tstr, 'ALT': hl.tstr})

# 生成Hail识别的位点和等位基因格式
filter_ht = filter_ht.annotate(
    locus=hl.locus(filter_ht.CHR, filter_ht.POS),
    alleles=hl.array([filter_ht.REF, filter_ht.ALT])
)

# 去重避免重复位点匹配
filter_ht = filter_ht.distinct()

步骤2：过滤遗传表 #

根据你的遗传表类型（矩阵表MatrixTable或普通表Table）选择对应代码：

• 如果你处理的是矩阵表（比如基因型数据）：

# 读取你的遗传矩阵表（替换为实际路径）
mt = hl.read_matrix_table("your_genetic_data.mt")

# 保留与过滤表位点+等位基因匹配的行
filtered_mt = mt.filter_rows(hl.is_defined(filter_ht[mt.locus, mt.alleles]))

# 可选：导出过滤后的结果
hl.export_vcf(filtered_mt, "filtered_genetic_data.vcf.bgz")

• 如果你处理的是普通Hail表：

ht = hl.read_table("your_genetic_data.ht")
filtered_ht = ht.filter(hl.is_defined(filter_ht[ht.locus, ht.alleles]))
filtered_ht.export("filtered_genetic_data.tsv.bgz")

常见报错排查 #

• 若报错类型不匹配：检查CHR字段是否统一为字符串（比如包含X/Y染色体时必须用字符串），POS是否为整数类型；
• 若匹配结果为空：确认过滤文件和遗传表的染色体命名规则一致（比如是chr1还是1）。

步骤1：将Hail表导出为R可读取的格式 #

在Jupyter的Python环境中，把Hail表导出为VCF或TSV：

# 导出矩阵表为VCF（适合基因型数据）
hl.export_vcf(mt, "genetic_data_exported.vcf.bgz")

# 或导出普通表为TSV
ht.export("genetic_data_exported.tsv.bgz")

步骤2：在R中读取并过滤 #

使用data.table或VariantAnnotation包完成过滤操作：

library(data.table)
library(VariantAnnotation)

# 读取过滤用的TXT文件
filter_df <- fread("your_filter_file.txt")

# 情况1：处理导出的VCF文件
vcf <- readVcf("genetic_data_exported.vcf.bgz")
vcf_info <- as.data.frame(rowRanges(vcf))
vcf_info$CHR <- as.character(seqnames(vcf_info))
vcf_info$POS <- start(vcf_info)
vcf_info$REF <- as.character(ref(vcf))
vcf_info$ALT <- sapply(alt(vcf), function(x) as.character(x))

# 匹配位点+等位基因
matched_rows <- which(
    vcf_info$CHR %in% filter_df$CHR &
    vcf_info$POS %in% filter_df$POS &
    vcf_info$REF %in% filter_df$REF &
    vcf_info$ALT %in% filter_df$ALT
)
filtered_vcf <- vcf[matched_rows, ]

# 情况2：处理导出的TSV文件
genetic_df <- fread("genetic_data_exported.tsv.bgz")
filtered_df <- genetic_df[CHR %in% filter_df$CHR & POS %in% filter_df$POS & REF %in% filter_df$REF & ALT %in% filter_df$ALT, ]

内容的提问来源于stack exchange，提问作者HKJ3