如何修改VCF文件中的个体样本编码？工具或Bash实现咨询

针对你的需求，完全可以用bcftools（推荐，适合大文件）或Bash脚本实现样本名的批量重命名，以下是具体方案：

方法一：使用bcftools（高效处理大VCF文件） #

bcftools是处理VCF文件的专业工具，对于包含2万+个体的大文件，速度和稳定性都更优。

步骤1：生成样本名映射文件 #

1. 提取当前所有样本名：

   bcftools query -l input.vcf > original_samples.txt
   

   如果是压缩的.vcf.gz文件，直接替换为input.vcf.gz即可，bcftools会自动识别。

2. 生成新的样本名（提取数字序列号）：
   用sed匹配并去除冗余内容（前缀、.CEL、_vX、_RS等）：

   sed -E 's/^.*_([0-9]+)(_v[0-9])?(_RS)?\.CEL$/\1/' original_samples.txt > new_samples.txt
   

   这个正则会：

   • 匹配最后一个下划线后的数字序列
   • 忽略_v2这类版本后缀和_RS标记
   • 去掉末尾的.CEL

3. 合并成映射文件（原样本名→新样本名）：

   paste original_samples.txt new_samples.txt > sample_mapping.txt
   

步骤2：重写VCF表头的样本名 #

用bcftools reheader批量替换样本名：

bcftools reheader --samples sample_mapping.txt -o output.vcf input.vcf

如果需要输出压缩文件，加上-Oz参数：

bcftools reheader --samples sample_mapping.txt -Oz -o output.vcf.gz input.vcf.gz

方法二：Bash脚本直接处理VCF文件 #

如果不想依赖bcftools，可以用awk+sed组合直接修改VCF的表头行：

#!/bin/bash
INPUT="input.vcf"
OUTPUT="output.vcf"

# 处理表头行（#CHROM开头的行）
head -n 1 "$INPUT" | awk -F'\t' '
BEGIN {OFS="\t"}
{
    # 保留前9列固定字段
    for (i=1; i<=9; i++) printf "%s%s", $i, OFS;
    # 从第10列开始处理样本名
    for (i=10; i<=NF; i++) {
        # 去除最后一个下划线前的所有前缀
        sub(/^.*_/, "", $i);
        # 去除版本后缀和.CEL
        sub(/(_v[0-9]+)?\.CEL$/, "", $i);
        # 去除_RS及后续内容
        sub(/_RS.*$/, "", $i);
        # 输出处理后的样本名，最后一列加换行
        printf "%s%s", $i, (i==NF ? "\n" : OFS);
    }
}' > "$OUTPUT"

# 追加剩余的基因型数据行
tail -n +2 "$INPUT" >> "$OUTPUT"

注意事项 #

• 测试正则有效性：先拿几个样本名测试sed或awk的处理逻辑，确保数字序列号提取正确，比如：
  • 0_0_473294.CEL → 473294
  • 0_0_347293_v2.CEL → 347293
  • abc_RS12345.CEL → 12345
• 备份原文件：修改前务必备份原始VCF，避免数据丢失。
• 压缩文件适配：如果处理.vcf.gz，Bash脚本中可以用zcat "$INPUT"代替head -n1 "$INPUT"，最后用gzip "$OUTPUT"压缩结果。

内容的提问来源于stack exchange，提问作者Khaleesi95