Python读取VCF.bgz文件报错‘Not a gzipped file’的解决方法

问题根源 #

你遇到的Not a gzipped file (b'TB')错误，是因为bgz是块级gzip压缩格式，和普通gzip结构存在差异，Python标准库的gzip模块无法解析这种特殊格式。

解决方法 #

方法1：用生物信息学专用库pysam处理（推荐） #

pysam是专门处理基因组数据的Python库，原生支持bgz格式的VCF文件，还能正确解析VCF的结构：

import pysam

# 打开bgz格式的VCF输入文件
input_vcf = pysam.VariantFile("gnomad.genomes.r2.1.1.sites.2.vcf.bgz")
# 创建输出VCF文件，复用输入文件的表头
output_vcf = pysam.VariantFile("truncated.vcf", "w", header=input_vcf.header)

extracted_count = 0
for record in input_vcf:
    output_vcf.write(record)
    extracted_count += 1
    if extracted_count >= 100000:
        break

# 关闭文件
input_vcf.close()
output_vcf.close()

安装pysam：pip install pysam

方法2：用命令行工具先处理，再用Python读取 #

用bgzip工具（通常随samtools一起安装）先提取前10万行到普通VCF文件：

bgzip -cd gnomad.genomes.r2.1.1.sites.2.vcf.bgz | head -n 100000 > truncated.vcf

之后直接用Python读取truncated.vcf即可：

with open("truncated.vcf", "r") as f:
    for line in f:
        # 按需处理每行内容
        pass

额外检查：验证文件完整性 #

如果上述方法仍报错，可能是文件下载不完整。用bgzip验证文件：

bgzip -t gnomad.genomes.r2.1.1.sites.2.vcf.bgz

若输出错误提示，重新下载该文件即可。

内容的提问来源于stack exchange，提问作者Eliza Romanski