Det viser sig, at bcftools kan gøre dette (testet på bcftools-1.8), hvis du giver det referencegenomet til at teste mod:

  $ bcftools norm -d ingen -f hg19.fa test.vcf ## fileformat = VCFv4.1 ## FILTER = <ID = PASS, Beskrivelse = "Alle filtre bestået" > ## reference = foo ## FORMAT = <ID = GT, Number = 1 , Type = String, Beskrivelse = "Genotype" > ## contig = <ID = chr12> ## bcftools_normVersion = 1.8 + htslib-1.8 ## bcftools_normCommand = norm -d none -f hg19.fa test.vcf; Dato = Ons 27. feb 16:08:44 2019 # CHROM POS ID REF ALT KVAL FILTERINFO FORMAT Prøve1chr12 529516. C T. PASS. GT 0 / 1Linjer i alt / split / omstillet / sprunget over: 2/0/1/0  

For det mere komplekse tilfælde af multiallelisk variant i det andet VCF-eksempel fra spørgsmålet, du kan køre det gennem bcftools to gange. Når du bruger norm til venstrejustering og opdeling af multi-alleliske varianter, og derefter igen for at fjerne duplikaterne:

  $ bcftools norm -m -any -NO z - O v -o - ~ / test2.vcf | bcftools norm -d ingen -f hg19.faLines i alt / split / omstillet / sprunget over: 2/1/0/0 ## fileformat = VCFv4.1 ## FILTER = <ID = PASS, Beskrivelse = "Alle filtre bestået" > ## reference = foo ## FORMAT = <ID = GT, Number = 1, Type = String, Beskrivelse = "Genotype" > ## contig = <ID = chr12> ## bcftools_normVersion = 1.8 + htslib-1.8 ## bcftools_n -NO z-O v-o - test2.vcf; Dato = Ons 27 feb 18:18:32 2019 ## bcftools_normCommand = norm -d ingen -f hg19.fa -; Dato = Ons 27. februar 18:18:32 2019 # CHROM POS ID REF ALT KVAL FILTERINFO FORMAT Eksempel1chr12 529516 529514 CAC T 0. . GT 0 / 1chr12 529516 529514 C T 0. . GT 0/0 Linjer i alt / split / omstillet / sprunget over: 3/0/2/0  

Jeg er ingen ekspert med VCF (få kan sige, at de er!), men jeg har arbejdet meget med VCF-data i de sidste par år, begge værktøjer til at forbruge og producere VCF. Jeg har aldrig set varianter kodet på denne måde, og det ser ud til at være ikke-kanonisk. Typisk:

• Enkelt nukleotidvarianter (SNV'er) er kodet med en enkelt base som REF-allelen og en enkelt base som ALT-allelen.
• I tilfælde af indsættelser eller sletninger, den kortere af REF- og ALT-allelerne er en enkelt base, hvor basen går forud for den indsatte / slettede sekvens. Således er den første base af REF- og ALT-allelerne altid den samme.
• I det sjældnere tilfælde af to eller flere på hinanden følgende substitutioner, der danner en multinukleotidvariant (MNV), vil REF- og ALT-allelerne have samme længde.

Brug af multi-bp-strenge af samme længde til at kode SNV'er er unødvendig og, som du har påpeget, problematisk. Dette får mig til at tænke, det er en fejl eller en "funktion" af variantprædiktoren, der producerede VCF.

I dette tilfælde vil jeg skrive et lille script, der kontrollerer varianter, hvor REF og ALT alleler har samme længde. Hvis basen er den samme for REF og ALT i en hvilken som helst position, skal du slippe den og justere positionen i overensstemmelse hermed.

Skriptet nedenfor konverterer disse funky SNV'er til den kanoniske repræsentation og fungerer også på MNV'er. Standardværktøjer skal derefter arbejde for at fjerne dubletterne.

  #! / Usr / bin / env python3def kanonikaliser (instream): for linje i instream: hvis ikke line.startswith ('#'): værdier = line.split ('\ t') pos = int (værdier [1]) ref, alt = værdier [3: 5] hvis len (ref) > 1 og len ( ref) == len (alt): # Hvor mange bp der skal trimmes ud af slutningen for n, (r, a) i enumerate (zip (ref [:: - 1], alt [:: - 1])): hvis r! = a: revoffset = -1 * n break # Hvor mange bp for at trimme fronten
for n, (r, a) i enumerate (zip (ref, alt)): hvis r! = a: offset = n-værdier [1] = str (pos + offset) værdier [3] = ref [offset: revoffset] værdier [4] = alt [offset: revoffset] break line = '\ t'.join (værdier) giver lineif __name__ ==' __main__ ': import sys for line in canonicalize (sys.stdin): print (line, end = '')  

UPDATE : Efter yderligere refleksion giver det mere komplicerede eksempel, du har angivet, mening. I referencen har vi sekvensen AACAC , og de alternative alleler repræsenterer to variationer på dette: sletning af de sidste to bp (i det første tilfælde) og en punktmutation af den midterste C til T (i begge tilfælde). Normalt er kun en enkelt bp forud for definitionen af ​​en indel, så jeg ville have kodet denne komplekse variant som ref = ACAC alt = AT, ATAC .

Så SNV er "underforstået af" / "kodet i" / "overflødig med" den komplekse variant, men det er ikke strengt en duplikat. Jeg er nysgerrig efter, om VCF-validatoren også klager over disse sager?