🐮 Mini trabalho de somático 🐮

VEPSomatico

Como utilizar VEP -ensembl 105.0 em um VCF somático no Colab

• Introdução
• Preparação do ambiente de trabalho
• Utilizando o VEP

Introdução

Ensembl Variant Effect Predictor ou VEP te ajuda a determinar os efeitos das variantes encontradas nos dados a serem analisados; sendo eles genes, transcritos ou sequências proteicas. Precisando apenas das coordenadas das variantes e a mudança nucleica que foi observada.

O processo para utilização do VEP segue por:

1. Montar o drive no Colab
2. Instalar o VEP
3. Fazer a anotação das variantes

Preparação do ambiente de trabalho

Começar criando um novo notebook no seu Google Colab, uma vez no colab:

1. Montar o drive no ambiente de trabalho, que permite criar e gerenciar os dados:

from google.colab import drive
drive.mount('/content/drive')

2. Agora montamos um diretório específico para os documentos gerados. Utilizamos o %%bash para indicar ao Colab que este código está em bash e utilizamos o %cd para fixar esse diretório como o diretório principal:

%%bash
mkdir vepsomatico
%cd somatico

3. Para confirmar que o diretório que será utilizado é o que queremos, podemos usar:

%%bash
pwd

4. Vamos instalar algumas módulos que serão utilizados mais adiante:

import pandas as pd
import csv

Com isso o ambiente de trabalho está preparado para receber o VEP.

Utilizando o VEP

Agora que temos nosso ambiente de trabalho preparado, podemos utilizar o próximo comando para instalar o VEP. Em ordem, cada linha do comando pode ser interpretada da seguinte forma:

1. Instalação dos pacotes necessários para utilizar o VEP
2. Fazer download do VEP na versão esembl-vep 105.0
3. Descompactar o documento baixado
4. As duas últimas linhas indicam ao colab para entrar no diretório do VEP onde foi descompactado e fazer a instalação

%%bash
sudo apt install unzip curl git libmodule-build-perl libdbi-perl libdbd-mysql-perl build-essential zlib1g-dev
wget -c https://github.com/Ensembl/ensembl-vep/archive/refs/tags/105.0.tar.gz
tar -zxvf 105.0.tar.gz
cd ensembl-vep-105.0
./INSTALL.pl --NO_UPDATE 

Pronto, instalação comcluida. Podemos utilizar o código abaixo para testar se tudo ocorreu como o planejado:

%%bash
cd ensembl-vep-105.0
./vep 

Por fim, com o ambiente de trabalho preparado e o VEP instalado, podemos fazer a anotação das variantes com o seguinte comando:

%%bash
/ensembl-vep-105.0/vep  \
  --fork 4 \
  -i /caminho_documento_vcf/nome_documento_vcf.vcf.gz \
  -o nome_desejado.filtered.vcf.tsv \
  --dir_cache /caminho_dir_cashe/ \
  --fasta /caminho_documento_fasta/nome_documento_fasta.fasta \
  --cache --offline --assembly GRCh37 --refseq  \
	--pick --pick_allele --force_overwrite --tab --symbol --check_existing --variant_class --everything --filter_common \
  --fields "Uploaded_variation,Location,Allele,Existing_variation,HGVSc,HGVSp,SYMBOL,Consequence,IND,ZYG,Amino_acids,CLIN_SIG,PolyPhen,SIFT,VARIANT_CLASS,FREQS" \
  --individual all

Vamos interpretar os caminhos e nomes necessários para preencher corretamente o comando acima:

• em -i o caminho_documento_vcf se refere ao caminho do diretório onde o arquivo vcf a ser analisado está localoizado e nome_documento_vcf se refere ao nome do documento VCF que será analisado
• em -o o nome_desejado se refere ao nome que você deseja utilizar no output do arquivo filtrado gerado pelo VEP
• em --dir_cache o 'caminho_dir_cashe' se refere ao caminho do diretório cashe
• em --fasta o caminho_documento_fasta é o caminho para o diretório onde está localizado o documento fasta As opções --cache, --fields e --individual você deve preencher de acordo com o que você deseja gerar no seu output e a documentação para fazer a melhor escolha possível para cada caso pode ser encontrada neste link

Agora podemos visualizar o arquivo gerado pelo VEP, que faremos através de uma tabela gerada pelo pandas onde:

1. em caminho_para_vcf_tsv indica o caminho do diretório para o arquivo vcf.tsv
2. em nome_arquivo_vcf_tsv se refere ao nome do arquivo vcf.tsv que foi gerado

tabela = pd.read_csv('/caminho_para_vcf_tsv/nome_arquivo_vcf_tsv.filtered.vcf.tsv', sep='\t', skiprows=38)
df = pd.DataFrame(tabela)
df

Exemplo de uma tabela gerada no final do processo:

index	#Uploaded_variation	Location	Allele	Existing_variation	HGVSc	HGVSp	SYMBOL	Consequence	IND	ZYG	Amino_acids	CLIN_SIG	PolyPhen	SIFT	VARIANT_CLASS	FREQS
0	1_874643_C/A	1:874643	A	-	NM_001385640.1:c.1058-9C>A	-	SAMD11	splice_polypyrimidine_tract_variant,intron_variant	WP312	HET	-	-	-	-	SNV	-
1	1_874647_C/A	1:874647	A	rs1336064632	NM_001385640.1:c.1058-5C>A	-	SAMD11	splice_polypyrimidine_tract_variant,splice_region_variant,intron_variant	WP312	HET	-	-	-	-	SNV	-
2	1_880620_A/C	1:880620	C	rs1569931554	NM_015658.4:c.2054-94T>G	-	NOC2L	intron_variant	WP312	HET	-	-	-	-	SNV	-
3	1_894491_C/A	1:894491	A	-	NM_015658.4:c.27-30G>T	-	NOC2L	intron_variant	WP312	HET	-	-	-	-	SNV	-
4	1_907758_A/G	1:907758	G	rs757863610,COSV58020841	NM_001367552.1:c.992A>G	NP_001354481.1:p.Glu331Gly	PLEKHN1	missense_variant	WP312	HET	E/G	-	-	-	SNV	1KG_ALL:G:NA

Chega!

```bash
< Se eu ganhar minha cerveja vai para o professor! 😜>
 -----------------------------
     \   ^__^
      \  (oo)\_______
         (__)\       )\/\
            ||----w |
            ||     ||