-
-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathld_area.py
342 lines (309 loc) · 24.1 KB
/
ld_area.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
__version__ = 'V11.2'
def build_ucsc_header(header_key, header_val):
'''
Конечные не-JSON-файлы будут начинаться
с хэдеров, структура которых напоминает
таковую у хэдеров UCSC Table Browser. Эта
функция собирает каждый элемент хэдера.
'''
if type(header_val).__name__ == 'str':
header_val = f'"{header_val}"'
elif type(header_val).__name__ == 'tuple':
header_val = ','.join([f'"{header_val_element}"' for header_val_element in header_val])
return f'{header_key}={header_val}'
class PrepSingleProc():
'''
Класс, спроектированный
под безопасный параллельный
поиск вариантов, неравновесно
сцепленных с вариантами
из исходного файла.
'''
def __init__(self, args):
'''
Получение атрибутов, необходимых заточенной
под многопроцессовое выполнение функции
извлечения вариантов, обладающих надпороговым
LD по отношению к вариантам исходного
набора. Атрибуты должны быть созданы
единожды и далее ни в коем случае
не изменяться. Получаются они в основном
из указанных исследователем опций.
'''
self.src_dir_path = os.path.normpath(args.src_dir_path)
self.intgen_dir_path = os.path.normpath(args.intgen_dir_path)
if args.trg_top_dir_path is None:
self.trg_top_dir_path = self.src_dir_path
else:
self.trg_top_dir_path = os.path.normpath(args.trg_top_dir_path)
self.meta_lines_quan = args.meta_lines_quan
if args.skip_intgen_data_ver:
self.intgen_convdb_path = os.path.join(self.intgen_dir_path,
'conversion.db')
else:
self.intgen_convdb_path = prep_intgen_data(self.intgen_dir_path)
if args.gend_names == 'male':
self.gend_names = ('male',)
elif args.gend_names == 'female':
self.gend_names = ('female',)
else:
self.gend_names = ('male', 'female')
self.pop_names = tuple(args.pop_names.upper().split(','))
self.sample_names = get_sample_names(self.gend_names,
self.pop_names,
self.intgen_convdb_path)
self.flank_size = args.flank_size
self.ld_thres_measure = args.ld_thres_measure
self.ld_low_thres = args.ld_low_thres
self.trg_file_type = args.trg_file_type
def get_inld_vars(self, src_file_name):
'''
Функция нахождения вариантов, находящихся
в надпороговом неравновесии по сцеплению
с каждым вариантом исходной таблицы.
'''
#Считывание исходной таблицы, извлечение оттуда
#rsIDs и создание словаря, в котором позиции и
#идентификаторы вариантов разбиты по хромосомам.
data_by_chrs = create_src_dict(self.src_dir_path,
src_file_name,
self.meta_lines_quan,
self.intgen_convdb_path)
#В одну папку второго уровня планируется
#размещать все результаты, полученные по
#данным одного исходного файла. Папка реально
#создастся только тогда, когда появится
#гарантия, что она не останется пустой.
src_file_base = src_file_name.rsplit('.', maxsplit=1)[0]
trg_dir_path = os.path.join(self.trg_top_dir_path,
f'{src_file_base}_in_LD')
#Расширение всех конечных файлов зависит
#от выбранного исследователем формата.
if self.trg_file_type in ['tsv', 'json']:
ext = self.trg_file_type
else:
ext = 'txt'
#Сокращённые заглавия таких
#глобальных характеристик,
#как хромосома и настройки
#отбора оппонирующих вариантов.
meta_keys = ['chr',
'gends',
'pops',
'each_flank',
f'{self.ld_thres_measure}_thres']
#Имена столбцов TSV.
#Они же - ключи JSON.
header_row = ['hg38_pos',
'rsID',
'ref',
'alt',
'type',
'alt_freq',
'r2',
"D'",
'dist']
#Далее работа будет проводиться
#для данных каждой хромосомы
#по-отдельности, а результаты
#пойдут в соответствующие хромосомные
#подпапки (третий уровень вложенности).
for chrom in data_by_chrs:
chr_dir_path = os.path.join(trg_dir_path,
chrom)
os.makedirs(chr_dir_path)
#Собственно, глобальные
#характеристики: текущая
#хромосома и заданные
#исследователем опции.
#Пойдут в TSV или JSON.
meta_vals = [chrom,
self.gend_names,
self.pop_names,
self.flank_size,
self.ld_low_thres]
#Хэдер для TSV или файла с чистыми rsIDs.
#Его структура напоминает таковую у
#таблиц, генерируемых UCSC Table Browser.
ucsc_header_line = '##' + ' '.join(map(build_ucsc_header,
meta_keys,
meta_vals))
#Поскольку известно, какая хромосома сейчас
#обрабатывается, можно сразу открыть архив
#именно с относящимися к этой хромосоме данными
#1000 Genomes. Из него для начала будем извлекать
#аннотации только запрашиваемых вариантов.
#Нужный ли вариант нашёлся в 1000 Genomes,
#дополнительно проверяется по rs-идентификатору.
with VariantFile(os.path.join(self.intgen_dir_path,
f'{chrom}.vcf.gz')) as intgen_vcf_opened:
for var_row in data_by_chrs[chrom]:
for intgen_rec in intgen_vcf_opened.fetch(chrom,
var_row[0] - 1,
var_row[0]):
if intgen_rec.id != var_row[1]:
continue
query_var_rec = intgen_rec
break
trg_file_name = f'{query_var_rec.id}_chr{chrom}_{self.ld_thres_measure[0]}_{str(self.ld_low_thres)}.{ext}'
trg_file_path = os.path.join(chr_dir_path, trg_file_name)
#Создаём флаг, по которому далее будет
#определено, оказались ли в конечном
#файле строки, отличные от хэдеров.
empty_res = True
#Вычисляем границы фланков вокруг текущего
#запрашиваемого варианта, где надо искать
#неравновесно сцепленные с ним варианты.
#Если нижняя граница окна заползёт
#за ноль, то во избежание ошибки со
#стороны pysam приравняем её к нулю.
low_bound = query_var_rec.pos - self.flank_size
if low_bound < 0:
low_bound = 0
high_bound = query_var_rec.pos + self.flank_size
#Получение генотипов и
#ключевых характеристик
#запрашиваемого варианта.
query_var_genotypes = []
for sample_name in self.sample_names:
try:
query_var_genotypes += query_var_rec.samples[sample_name]['GT']
except KeyError:
continue
query_var_alt_freq = round(query_var_genotypes.count(1) /
len(query_var_genotypes), 4)
query_var_ann = [query_var_rec.pos,
query_var_rec.id,
query_var_rec.ref,
','.join(query_var_rec.alts),
','.join(query_var_rec.info['VT']),
query_var_alt_freq] + ['quer'] * 3
#Открываем конечный файл на запись
#и проделываем кропотливую работу по
#созданию формат-ориентированных хэдеров.
with open(trg_file_path, 'w') as trg_file_opened:
if self.trg_file_type == 'rsids':
trg_file_opened.write(ucsc_header_line + '\n')
trg_file_opened.write('#rsID\n')
trg_file_opened.write(query_var_rec.id + '\n')
elif self.trg_file_type == 'tsv':
trg_file_opened.write(ucsc_header_line + '\n')
trg_file_opened.write('#' + '\t'.join(header_row) + '\n')
trg_file_opened.write('\t'.join(map(str, query_var_ann)) + '\n')
elif self.trg_file_type == 'json':
trg_obj = [dict(zip(meta_keys, meta_vals)),
dict(zip(header_row, query_var_ann))]
#Перебор 1000-Genomes-вариантов в пределах окна,
#центром которого служит запрашиваемый вариант.
for oppos_var_rec in intgen_vcf_opened.fetch(chrom,
low_bound,
high_bound):
#Оппонирующий вариант будет отсеян, если
#совпадает с запрашиваемым или имеет не-rs-
#идентификатор или является мультиаллельным.
if oppos_var_rec.id == query_var_rec.id \
or re.match(r'rs\d+$', oppos_var_rec.id) is None \
or 'MULTI_ALLELIC' in oppos_var_rec.info:
continue
#Для варианта, прошедшего
#эту фильтрацию, произведём
#поиск генотипов по сэмплам.
oppos_var_genotypes = []
for sample_name in self.sample_names:
try:
oppos_var_genotypes += oppos_var_rec.samples[sample_name]['GT']
except KeyError:
continue
#Получение значений LD с помощью
#оффлайн-калькулятора. Полезный
#побочный продукт функции - частоты
#альтернативного аллеля запрашиваемого
#и оппонирующего вариантов.
trg_vals = calc_ld(query_var_genotypes,
oppos_var_genotypes)
#Ещё один этап отбора оппонирующих
#вариантов будет по установленному
#исследователем порогу LD.
if trg_vals[self.ld_thres_measure] < self.ld_low_thres:
continue
#Теперь понятно, что результаты
#будут, значит, есть смысл
#дать сигнал, запрещающий
#удаление конечного файла.
empty_res = False
#Добавляем в конечный файл или объект информацию
#о текущем оппонирующем варианте. Если задан
#минималистический вывод, то это будет только rsID,
#а если TSV или JSON, то rsID с характеристиками.
if self.trg_file_type == 'rsids':
trg_file_opened.write(oppos_var_rec.id + '\n')
continue
oppos_var_ann = [oppos_var_rec.pos,
oppos_var_rec.id,
oppos_var_rec.ref,
','.join(oppos_var_rec.alts),
','.join(oppos_var_rec.info['VT']),
trg_vals['var_2_alt_freq'],
trg_vals['r_square'],
trg_vals['d_prime'],
oppos_var_rec.pos - query_var_rec.pos]
if self.trg_file_type == 'tsv':
trg_file_opened.write('\t'.join(map(str, oppos_var_ann)) + '\n')
elif self.trg_file_type == 'json':
trg_obj.append(dict(zip(header_row, oppos_var_ann)))
#При подготовке JSON-вывода
#результаты должны были накапливаться
#в список словарей. Теперь
#надо прописать его в файл.
if self.trg_file_type == 'json':
json.dump(trg_obj, trg_file_opened, indent=4)
#Если флаг-индикатор так и
#остался равен True, значит,
#результатов нет, и в конечный
#файл попали только хэдеры.
#Такие конечные файлы
#программа удалит.
if empty_res:
os.remove(trg_file_path)
####################################################################################################
import sys, locale, os, datetime, re, json
#Подавление формирования питоновского кэша с
#целью предотвращения искажения результатов.
sys.dont_write_bytecode = True
from cli.ld_area_cli_ru import add_args_ru
from cli.ld_area_cli_en import add_args_en
from backend.prep_intgen_data import prep_intgen_data
from backend.get_sample_names import get_sample_names
from backend.create_src_dict import create_src_dict
from multiprocessing import Pool
from pysam import VariantFile
from backend.calc_ld import calc_ld
#Подготовительный этап: обработка
#аргументов командной строки,
#создание экземпляра содержащего
#ключевую функцию класса, определение
#оптимального количества процессов.
if locale.getdefaultlocale()[0][:2] == 'ru':
args = add_args_ru(__version__)
else:
args = add_args_en(__version__)
prep_single_proc = PrepSingleProc(args)
max_proc_quan = args.max_proc_quan
src_file_names = os.listdir(prep_single_proc.src_dir_path)
src_files_quan = len(src_file_names)
if max_proc_quan > src_files_quan <= 8:
proc_quan = src_files_quan
elif max_proc_quan > 8:
proc_quan = 8
else:
proc_quan = max_proc_quan
print(f'\nSelecting variants in LD and in window')
print(f'\tnumber of parallel processes: {proc_quan}')
#Параллельный запуск поиска in-LD вариантов. Замер
#времени выполнения этого кода с точностью до микросекунды.
with Pool(proc_quan) as pool_obj:
exec_time_start = datetime.datetime.now()
pool_obj.map(prep_single_proc.get_inld_vars,
src_file_names)
exec_time = datetime.datetime.now() - exec_time_start
print(f'\tparallel computation time: {exec_time}')