misc/sam2vcf.pl

   1 #!/usr/bin/perl -w
   2 #
   3 # VCF specs: http://www.1000genomes.org/wiki/doku.php?id=1000_genomes:analysis:vcf3.3
   4 #
   5 # Contact: pd3@sanger
   6 # Version: 2009-12-08
   7
   8 use strict;
   9 use warnings;
  10 use Carp;
  11
  12 my $opts = parse_params();
  13 do_pileup_to_vcf($opts);
  14
  15 exit;
  16
  17 #---------------
  18
  19 sub error
  20 {
  21     my (@msg) = @_;
  22     if ( scalar @msg ) { croak(@msg); }
  23     die
  24         "Usage: sam2vcf.pl [OPTIONS] < in.pileup > out.vcf\n",
  25         "Options:\n",
  26         "   -i, --indels-only                Ignore SNPs.\n",
  27         "   -r, --refseq <file.fa>           The reference sequence, required when indels are present.\n",
  28         "   -s, --snps-only                  Ignore indels.\n",
  29         "   -t, --column-title <string>      The column title.\n",
  30         "   -h, -?, --help                   This help message.\n",
  31         "\n";
  32 }
  33
  34
  35 sub parse_params
  36 {
  37     my %opts = ();
  38
  39     $opts{fh_in}  = *STDIN;
  40     $opts{fh_out} = *STDOUT;
  41
  42     while (my $arg=shift(@ARGV))
  43     {
  44         if ( $arg eq '-r' || $arg eq '--refseq' ) { $opts{refseq}=shift(@ARGV); next; }
  45         if ( $arg eq '-t' || $arg eq '--column-title' ) { $opts{title}=shift(@ARGV); next; }
  46         if ( $arg eq '-s' || $arg eq '--snps-only' ) { $opts{snps_only}=1; next; }
  47         if ( $arg eq '-i' || $arg eq '--indels-only' ) { $opts{indels_only}=1; next; }
  48         if ( $arg eq '-?' || $arg eq '-h' || $arg eq '--help' ) { error(); }
  49
  50         error("Unknown parameter \"$arg\". Run -h for help.\n");
  51     }
  52     return \%opts;
  53 }
  54
  55 sub iupac_to_gtype
  56 {
  57     my ($ref,$base) = @_;
  58     my %iupac = (
  59             'K' => ['G','T'],
  60             'M' => ['A','C'],
  61             'S' => ['C','G'],
  62             'R' => ['A','G'],
  63             'W' => ['A','T'],
  64             'Y' => ['C','T'],
  65             );
  66     if ( !exists($iupac{$base}) )
  67     {
  68         if ( $base ne 'A' && $base ne 'C' && $base ne 'G' && $base ne 'T' ) { error("FIXME: what is this [$base]?\n"); }
  69         if ( $ref eq $base ) { return ('.','0/0'); }
  70         return ($base,'1/1');
  71     }
  72     my $gt = $iupac{$base};
  73     if ( $$gt[0] eq $ref  ) { return ($$gt[1],'0/1'); }
  74     elsif ( $$gt[1] eq $ref ) { return ($$gt[0],'0/1'); }
  75     return ("$$gt[0],$$gt[1]",'1/2');
  76 }
  77
  78
  79 sub parse_indel
  80 {
  81     my ($cons) = @_;
  82     if ( $cons=~/^-/ )
  83     {
  84         my $len = length($');
  85         return "D$len";
  86     }
  87     elsif ( $cons=~/^\+/ ) { return "I$'"; }
  88     elsif ( $cons eq '*' ) { return undef; }
  89     error("FIXME: could not parse [$cons]\n");
  90 }
  91
  92
  93 # An example of the pileup format:
  94 #   1       3000011 C       C       32      0       98      1       ^~,     A
  95 #   1       3002155 *       +T/+T   53      119     52      5       +T      *       4       1       0
  96 #   1       3003094 *       -TT/-TT 31      164     60      11      -TT     *       5       6       0
  97 #   1       3073986 *       */-AAAAAAAAAAAAAA       3       3       45      9       *       -AAAAAAAAAAAAAA 7       2       0
  98 #
  99 sub do_pileup_to_vcf
 100 {
 101     my ($opts) = @_;
 102
 103     my $fh_in  = $$opts{fh_in};
 104     my $fh_out = $$opts{fh_out};
 105     my ($prev_chr,$prev_pos,$prev_ref);
 106     my $refseq;
 107     my $ignore_indels = $$opts{snps_only} ? 1 : 0;
 108     my $ignore_snps   = $$opts{indels_only} ? 1 : 0;
 109     my $title = exists($$opts{title}) ? $$opts{title} : 'data';
 110
 111     print $fh_out
 112         qq[##fileformat=VCFv3.3\n],
 113         qq[##INFO=DP,1,Integer,"Total Depth"\n],
 114         qq[##FORMAT=GT,1,String,"Genotype"\n],
 115         qq[##FORMAT=GQ,1,Integer,"Genotype Quality"\n],
 116         qq[##FORMAT=DP,1,Integer,"Read Depth"\n],
 117         qq[#CHROM\tPOS\tID\tREF\tALT\tQUAL\tFILTER\tINFO\tFORMAT\t$title\n]
 118         ;
 119
 120     while (my $line=<$fh_in>)
 121     {
 122         chomp($line);
 123         my (@items) = split(/\t/,$line);
 124         if ( scalar @items<8 )
 125         {
 126             error("\nToo few columns, does not look like output of 'samtools pileup -c': $line\n");
 127         }
 128         my ($chr,$pos,$ref,$cons,$cons_qual,$snp_qual,$rms_qual,$depth,$a1,$a2) = @items;
 129
 130         my ($alt,$gt);
 131         if ( $ref eq '*' )
 132         {
 133             # An indel is involved.
 134             if ( $ignore_indels )
 135             {
 136                 $prev_ref = $ref;
 137                 $prev_pos = $pos;
 138                 $prev_chr = $chr;
 139                 next;
 140             }
 141
 142             if (!defined $prev_chr || $chr ne $prev_chr || $pos ne $prev_pos)
 143             {
 144                 if ( !$$opts{refseq} ) { error("Cannot do indels without the reference.\n"); }
 145                 if ( !$refseq ) { $refseq = Fasta->new(file=>$$opts{refseq}); }
 146                 $ref = $refseq->get_base($chr,$pos);
 147             }
 148             else { $ref = $prev_ref; }
 149
 150             # One of the alleles can be a reference and it can come in arbitrary order. In some
 151             #   cases */* can be encountered. In such a case, look in the additional columns.
 152             my ($al1,$al2) = split(m{/},$cons);
 153             if ( $al1 eq $al2 && $al1 eq '*' ) { $al1=$a1; $al2=$a2; }
 154             my $alt1 = parse_indel($al1);
 155             my $alt2 = parse_indel($al2);
 156             if ( !$alt1 && !$alt2 ) { error("FIXME: could not parse indel:\n", $line); }
 157             if ( !$alt1 )
 158             {
 159                 $alt=$alt2;
 160                 $gt='0/1';
 161             }
 162             elsif ( !$alt2 )
 163             {
 164                 $alt=$alt1;
 165                 $gt='0/1';
 166             }
 167             elsif ( $alt1 eq $alt2 )
 168             {
 169                 $alt="$alt1";
 170                 $gt='1/1';
 171             }
 172             else
 173             {
 174                 $alt="$alt1,$alt2";
 175                 $gt='1/2';
 176             }
 177         }
 178         else
 179         {
 180             if ( $ignore_snps )
 181             {
 182                 $prev_ref = $ref;
 183                 $prev_pos = $pos;
 184                 $prev_chr = $chr;
 185                 next;
 186             }
 187
 188             # SNP
 189             ($alt,$gt) = iupac_to_gtype($ref,$cons);
 190         }
 191
 192         print $fh_out "$chr\t$pos\t.\t$ref\t$alt\t$snp_qual\t0\tDP=$depth\tGT:GQ:DP\t$gt:$cons_qual:$depth\n";
 193
 194         $prev_ref = $ref;
 195         $prev_pos = $pos;
 196         $prev_chr = $chr;
 197     }
 198 }
 199
 200
 201 #------------- Fasta --------------------
 202 #
 203 # Uses samtools to get a requested base from a fasta file. For efficiency, preloads
 204 #   a chunk to memory. The size of the cached sequence can be controlled by the 'size'
 205 #   parameter.
 206 #
 207 package Fasta;
 208
 209 use strict;
 210 use warnings;
 211 use Carp;
 212
 213 sub Fasta::new
 214 {
 215     my ($class,@args) = @_;
 216     my $self = {@args};
 217     bless $self, ref($class) || $class;
 218     if ( !$$self{file} ) { $self->throw(qq[Missing the parameter "file"\n]); }
 219     $$self{chr}  = undef;
 220     $$self{from} = undef;
 221     $$self{to}   = undef;
 222     if ( !$$self{size} ) { $$self{size}=10_000_000; }
 223     bless $self, ref($class) || $class;
 224     return $self;
 225 }
 226
 227 sub read_chunk
 228 {
 229     my ($self,$chr,$pos) = @_;
 230     my $to = $pos + $$self{size};
 231     my $cmd = "samtools faidx $$self{file} $chr:$pos-$to";
 232     my @out = `$cmd`;
 233     if ( $? ) { $self->throw("$cmd: $!"); }
 234     my $line = shift(@out);
 235     if ( !($line=~/^>$chr:(\d+)-(\d+)/) ) { $self->throw("Could not parse: $line"); }
 236     $$self{chr}  = $chr;
 237     $$self{from} = $1;
 238     $$self{to}   = $2;
 239     my $chunk = '';
 240     while ($line=shift(@out))
 241     {
 242         chomp($line);
 243         $chunk .= $line;
 244     }
 245     $$self{chunk} = $chunk;
 246     return;
 247 }
 248
 249 sub get_base
 250 {
 251     my ($self,$chr,$pos) = @_;
 252     if ( !$$self{chr} || $chr ne $$self{chr} || $pos<$$self{from} || $pos>$$self{to} )
 253     {
 254         $self->read_chunk($chr,$pos);
 255     }
 256     my $idx = $pos - $$self{from};
 257     return substr($$self{chunk},$idx,1);
 258 }
 259
 260 sub throw
 261 {
 262     my ($self,@msg) = @_;
 263     croak(@msg);
 264 }