将VCF文件INFO列CSQ字段拆分至表格格式的技术需求

针对你遇到的VCF文件CSQ字段多转录本信息无法全部保留、仅能提取首个转录本的问题，这里提供两种可行方案：

方案一：使用bcftools +split-vep（调整参数实现多转录本合并） #

默认的bcftools +split-vep确实只保留首个转录本，但通过添加--merge comma参数，可以将同一变异下多个转录本的同字段值用逗号合并。

前提 #

确保你的VCF文件Header中包含CSQ字段的格式定义（VEP输出的VCF默认自带），例如：

##INFO=<ID=CSQ,Number=.,Type=String,Description="Consequence annotations from Ensembl VEP. Format: Allele|Consequence|...">

执行命令 #

bcftools +split-vep input.vcf \
  -O t \
  -o output.tsv \
  --merge comma \
  --fields CSQ \
  --rename '%CHROM,%POS,%ID,%REF,%ALT,%QUAL,%FILTER,'%CSQ

参数说明：

• -O t：输出TSV格式（方便查看和后续处理，若需VCF格式可改为-O v）
• --merge comma：指定多个转录本的同字段值用逗号连接
• --fields CSQ：明确拆分INFO中的CSQ字段
• --rename：定义输出列顺序，包含7个固定列和CSQ的82个子字段

方案二：Python脚本自定义处理（灵活适配特殊场景） #

如果工具参数无法满足需求，可通过Python脚本手动解析并合并CSQ字段，这里用cyvcf2库（高效处理VCF）实现：

步骤1：安装依赖 #

pip install cyvcf2

步骤2：执行脚本 #

import cyvcf2

# 从VCF Header读取CSQ的子字段列表
vcf = cyvcf2.VCF("input.vcf")
csq_desc = next(h for h in vcf.headers if 'ID=CSQ' in h)
csq_fields = csq_desc.split('Format: ')[1].rstrip('">').split('|')

# 定义输出表头
output_cols = ['Chromosome', 'Position', 'ID', 'Ref', 'Alt', 'Qual', 'Filter'] + csq_fields

# 写入输出TSV
with open('output.tsv', 'w') as out_file:
    out_file.write('\t'.join(output_cols) + '\n')
    for var in vcf:
        # 提取固定列数据，处理空值
        chrom = var.CHROM
        pos = str(var.POS)
        var_id = var.ID if var.ID else '.'
        ref = var.REF
        alt = ','.join(var.ALT)
        qual = str(var.QUAL) if var.QUAL is not None else '.'
        filt = ','.join(var.FILTER) if var.FILTER else '.'
        
        # 解析CSQ字段
        csq_raw = var.INFO.get('CSQ')
        if not csq_raw:
            # 无CSQ数据时填充空值
            row = [chrom, pos, var_id, ref, alt, qual, filt] + ['']*len(csq_fields)
            out_file.write('\t'.join(row) + '\n')
            continue
        
        # 拆分所有转录本的CSQ数据
        transcript_list = [t.split('|') for t in csq_raw.split(',')]
        # 按子字段合并，仅保留非空值并用逗号连接
        merged_csq = []
        for idx in range(len(csq_fields)):
            values = [t[idx] for t in transcript_list if t[idx]]
            merged_csq.append(','.join(values) if values else '')
        
        # 组装行并写入
        final_row = [chrom, pos, var_id, ref, alt, qual, filt] + merged_csq
        out_file.write('\t'.join(final_row) + '\n')

脚本说明 #

• 自动从VCF Header读取CSQ的82个子字段定义，无需手动输入
• 处理空值时遵循VCF规范，用.表示缺失数据
• 合并时自动过滤子字段的空值，仅保留有效信息

内容的提问来源于stack exchange，提问作者sunderv