simulerad effektivisering av genotypdataanalys genom...

TVE 16 027 maj

Examensarbete 15 hpJuni 2016

Simulerad effektivisering av genotypdataanalys genom poolade data

Simon Strömstedt HallbergJonas Giek

Teknisk- naturvetenskaplig fakultet UTH-enheten Besöksadress: Ångströmlaboratoriet Lägerhyddsvägen 1 Hus 4, Plan 0 Postadress: Box 536 751 21 Uppsala Telefon: 018 – 471 30 03 Telefax: 018 – 471 30 00 Hemsida: http://www.teknat.uu.se/student

Abstract

Simulated optimization of genotype data analysis bypooling data

Simon Strömstedt Hallberg, Jonas Giek

Målet med projektet är att undersöka om det går att effektivisera hur man undersöker människors gener. Detta görs genom att skapa ett program i Java. Resultatet är ett program som sorterar genotypdata från 1000 Genomes Project och utvärderar nyttan av att undersöka genotyper från flera individer samtidigt.

ISSN: 1401-5757, TVE 16 027 majExaminator: Martin SjödinÄmnesgranskare: Mia SterbyHandledare: Carl Nettelblad

Innehåll1 Introduktion 5

1.1 Bakgrund . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51.2 Motivering och målbeskrivning . . . . . . . . . . . . . . . . . 5

2 Metod 62.1 Utförande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2.1.1 ReadVCF . . . . . . . . . . . . . . . . . . . . . . . . . 62.1.2 RandomGroups . . . . . . . . . . . . . . . . . . . . . . 72.1.3 Poolning . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.2 Verktyg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92.2.1 MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . 92.2.2 Java . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92.2.3 HTSJDK . . . . . . . . . . . . . . . . . . . . . . . . . 92.2.4 Eclipse . . . . . . . . . . . . . . . . . . . . . . . . . . . 92.2.5 GitHub . . . . . . . . . . . . . . . . . . . . . . . . . . 102.2.6 Maven . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

3 Resultat 113.1 Andel entydigt bestämda individer . . . . . . . . . . . . . . . 113.2 Minor Allele Frequency (MAF) . . . . . . . . . . . . . . . . . 13

4 Diskussion 154.1 Utvärdering . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154.2 Felkällor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

5 Slutsatser 165.1 Upplevelse av verktyg . . . . . . . . . . . . . . . . . . . . . . . 16

5.1.1 Överblick . . . . . . . . . . . . . . . . . . . . . . . . . 165.1.2 GitHub . . . . . . . . . . . . . . . . . . . . . . . . . . 165.1.3 Maven . . . . . . . . . . . . . . . . . . . . . . . . . . . 175.1.4 HTSJDK . . . . . . . . . . . . . . . . . . . . . . . . . 17

5.2 Utveckling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

6 Referenser 18

Appendices 19

3

A ReadVCF 19

B RandomGroups 21

4

Populärvetenskaplig sammanfattning av projektet

Grundtanken med detta projekt är att det borde gå att effektivisera hurman analyserar egenskaper hos gener bland olika människor. Det bygger påatt undersöka flera människors gener samtidigt i stället för var och en försig, vilket sänker kostnaden. Nackdelen med detta är dock att en del avresultaten inte går att spåra till rätt individer. Därför krävs en undersökningför att avgöra hur stor del av resultaten som blir entydiga och se om det är entillräckligt stor del i förhållande till den sänkta kostnaden. För att inte slösapå resurser innan det går att fastställa om det faktiskt är en hållbar processundersöks detta genom simuleringar i Java med Eclipse som utvecklingsmiljö.

1 Introduktion

1.1 Bakgrund

1000 Genomes Project är ett projekt som pågick mellan 2008 och 2015 därman skapade den största offentliga katalogen för mänsklig variation och ge-notypdata. Dessa data finns tillgängliga för allmänheten i form av VCF-filer(Variant Call Format) och används i många forskningsprojekt. Ett sätt attstudera gener är med hjälp av microarrayer som fungerar som en platta medmånga små element som vardera representerar en position där det finns olikavarianter. I dessa element skapas en reaktion som ger utslag på en av varian-terna, vilket ger information om huruvida genen finns eller inte. Metoden ärvida använd idag och förhållandevis billig, men det är fortfarande kostsamtatt testa stora populationer [1].

1.2 Motivering och målbeskrivning

Processen som beskrivs i bakgrunden kan göras effektivare genom att pooladata från flera individer i samma microarray. Tanken med detta projekt äratt undersöka hur många av individerna i microarrayen som ger entydiga ochtillförlitliga svar när deras data poolas. Initialt avses grupperna innehålla åt-ta slumpmässiga individer var och i det fallet gör man sex microarrayer medfyra av dessa individer i varje. Detta sänker kostnaden med en fjärdedel. Omgrupper om åtta ger en hög träffsäkerhet kan det vara intressant att användaännu större grupper då det ytterligare sänker kostnaden.

5

Denna möjlighet undersöks med hjälp av tidigare nämnda data från 1000Genomes Project. Dessa data läses in med det Java-baserade biblioteketHTSJDK som är skapat för att hantera bland annat vcf-filer [2]. De positio-nerna filtreras sedan för att matcha de som microarrayerna testar. Gruppernaundersöks för att avgöra hur många individer som ger ett entydigt svar förvar och en av de genetiska positioner som testas.

För varje markör avses också att undersöka dess Minor Allele Frequency(MAF) vilket är hur ofta den ovanligaste allelen förekommer i markören.Detta är intressant då en hög MAF bör betyda att fler grupper har svårareatt bli entydigt bestämda. Målet är att resultatet sedan ska kunna avläsasoch exporteras till MATLAB för att utvärderas.

En ambition är att implementera API- och CLI-gränssnitt så att andra an-vändare lättare kan använda programmet. Det skulle också vara intressantatt göra det möjligt att ändra parametern för storlek på grupper samt atttesta specifika populationer ur den totala baserat på till exempel geografi.

2 Metod

2.1 Utförande

2.1.1 ReadVCF

Simuleringen skedde i utvecklingsmiljön Eclipse med programspråket Java.Det Java-baserad biblioteket HTSJDK användes för att hantera VCF-filerna.Kromosom 11 i 1000 Genomes Project fas 3 var de grunddata som användes[3]. Denna innehåller 4045628 markörer från 2504 olika individer. Dessa datafiltrerades mot en textfil som innehåller 2612357 markörnamn som finns påmicroarrayen Infinium Omni2.5Exome-8 v1.3 BeadChip [4]. Funktionalitetenatt göra detta inkapslades i en klass som heter ReadVCF, som skapades fördetta projekt.

Detta gjordes genom att varje markörnamn skannades från textfilen in ien HashSet. Sedan läts en iterator gå över VCF-filen och jämföra varjeVariantContext-objekts namn mot setet. HashSet valdes överArrayList då det gick fortare att söka i ett HashSet-objekt, testade kör-ningar med ArrayList tog över 10 timmar att slutföra. Det tog cirka 5

6

minuter att köra programmet med HashSet. Då den interna ordningenpå namnlistan inte hade någon betydelse så fanns inget skäl att användaArrayList.

Iteratorn var nödvändig att använda då arbetsminnet inte klarade av attkonvertera hela VCF-filen i ett stycke. Vid varje överensstämmande markör-namn skrevs det VariantContext-objektet in i en ny VCF-fil som totaltfick 34749 markörer, vilka alla testade en specifik genotyp från samtliga in-divider.

2.1.2 RandomGroups

Slumpningen och utvärderingen gjordes i en annan klass som heterRandomGroups. Programmet hämtade först alla individers identifikationtill en lista, sedan gjordes en lista av listor som representerade grupperna.Där slumpades identifikationerna in med hjälp av ett tidsbaserat slumpfrömedan de togs bort ur den första listan. Sedan utvärderades varje markör ge-nom att en iterator gick igenom varje VariantContext-objekt i VCF-filen.

För varje objekt utvärderades alla grupper och resultatet adderades ochskrevs in i en textfil. Markörens MAF beräknades också genom att ta framden ovanligaste allelen, räkna hur ofta den förekom och dividera den påantal alleler. Resultatet av MAF-beräkningen skrevs in i en separat text-fil. Det gjordes totalt tre simuleringar med slumpfröna 230431854001625,129666562967335 och 130067199881048, i den ordningen.

2.1.3 Poolning

Poolningen baserades på att dela en grupp på åtta individer i två lika storadelar, tre gånger, i olika konstellationer. De åtta individerna skrevs binärtunder varandra och uppdelningen i delgrupperna skedde genom att dela innollorna och ettorna i varsinn grupp för varje kolumn. Grupperingen visasnedan i Tabell 1. I Tabell 2 visas det tydligare hur de sex delgrupperna sågut med de åtta individerna numrerade 0-7.

7

Tabell 1: Denna tabell visar hur poolningen bestämdes, där varje unik färgär en delgrupp

0 0 00 0 10 1 00 1 11 0 01 0 11 1 01 1 1

Tabell 2: Denna tabell visar hur alla individer (numrerade 0 till 7) i varderagrupp poolades

0, 1, 2, 34, 5, 6, 70, 1, 4, 52, 3, 6, 70, 2, 4, 61, 3, 5, 7

Det finns totalt fyra olika kombinationer av alleler i varje markör, de kankallas; 0|0, 1|1, 0|1 och 1|0. 1|0 och 0|1 säger i detta fall samma sak. När re-sultaten 1|1 eller 0|0 fås i en delgrupp betyder det att individerna i delgruppenger entydiga resultat. För att en individ entydigt ska kunna bestämmas mås-te denne ha en homozygot genotyp och dennes genotyp måste vara likadansom de övriga genotyperna i den delgruppen (delgrupperna syns i Tabell 2).Homozygot betyder att båda allelerna i genotypen är likadana, alltså 0|0 eller1|1.

Om exempelvis individ nummer 7 har genotypen 1|0 och resten av indivi-derna har genotypen 0|0 kommer det inte gå att säga något om delgruppernamed individ 7 i sig (de kommer att få resultatet 0|1 eller 1|0). Resten avdelgrupperna kommer dock att vara entydiga (de kommer att få resultatet0|0), vilket innebär att individerna 0-6 går att återskapa, men inte individ 7.Detta utnyttjades för att analysera hur många individer som gick att enty-

8

digt bestämmas för respektive markör, och hur MAF påverkade resultaten.Detta visades sedan med hjälp av plottar i MATLAB.

2.2 Verktyg

2.2.1 MATLAB

MATLAB är ett program som används för att göra matematiska beräkningaroch skapa plottar utifrån resultaten. Det används i detta projekt för att utvär-dera resultaten av simuleringarna som görs i Java. Textfilerna med resultatenav utvärderingarna som görs i Java läses in i MATLAB. Sedan skapas plottarutifrån dessa data som visar hur andel individer som ger entydigt bestämdaresultat förändras mellan de olika markörerna samt vid olika MAF.

2.2.2 Java

Java är ett objektorienterat programspråk, vilket innebär att program bestårav ett eller flera objekt som samspelar. Dessa objekt och deras egenskaperdefinieras i sin tur i olika klasser. En unik sak med Java är att när detspråkets program kompileras skapas Javabytekod som sedan exekveras av envirituell dator kallad Java Virtual Machine (JVM). Då JVM alltid exekverarprogrammen gör det Javaprogram väldigt portabla då de kan köras på andraplatformar utan att kompileras om [5].

2.2.3 HTSJDK

HTSJDK är ett Java-baserat bibliotek som bland annat har klasser som kanhantera VCF-filer. VCF är ett filformat som i princip är ett tabellformat itext där varje markör har data för varje individ lagrad. HTSJDK används förall inläsning och manipulering av VCF-filerna då de är för stora för att öppnapå annat sätt. HTSJDK klarar också av att hantera det komprimerade vcf.gz-formatet vilket gör att ursprungsdata kunde behållas i en avsevärt mycketmindre storlek lokalt [2].

2.2.4 Eclipse

Eclipse är en utvecklingsmiljö som fungerar bra när man arbetar med pro-grammeringsspråket Java. Det är den miljön och det språket som har använtsmest i detta projekt. Det finns olika vyer och perspektiv i Eclipse, vilket gör

9

att användaren kan anpassa miljön efter hur projektet är uppbyggt. I dettafall användes standardperspektivet Java för att skriva klasserna och byggaprojektet.

2.2.5 GitHub

GitHub är en hemsida för externa Git-repositorier. Git fungerar lite annorlun-da än många andra versionhanteringsprogram i att den för varje version taren ögonblicksbild på hela projektet istället för att bara spara ändringar i deändrade filerna. Detta gör att man lätt kan återgå till tidigare versioner avsamtliga filer som tillsammans bygger upp projektet. Det har bra integrationmed Eclipse och används för versionshantering och hjälper författarna atthålla varandra uppdaterade. GitHub möjligör att dela projekt med andrasom då får möjlighet att föreslå ändringar i koden (push) samt uppdaterasin egen kod utifrån projektets utveckling (pull) [6].

2.2.6 Maven

Apache Maven är ett program som kan användas för att bygga mjukvaru-projekt med flera komponenter. Med M2Eclipse integrerades det direkt tillEclipse och användes för att sköta beroenden för projektet. Beroenden finnsför att projektet ska hitta filer och klasser som används i projektet. Dettaunderlättar avsevärt arbetet då fler än en användare ska jobba med sammaprojekt [7].

10

3 Resultat

3.1 Andel entydigt bestämda individer

Andel entydigt bestämda individer i procent

0 10 20 30 40 50 60 70 80 90 100

Anta

l m

ark

öre

r

0

500

1000

1500

2000

2500

3000

3500

4000

Figur 1: Denna figur visar ett histogram över markörfördelningen i förhål-lande till andel entydigt bestämda individer för den första simuleringen, medantal markörer på y-axeln och andel entydigt bestämda individer på x-axeln.

Figur 1 visar resultatet av den första simuleringen i form av ett histogram.Resultatet visar markörfördelningen i förhållande till andel entydigt bestäm-da individer uppdelat i intervall om 2,5% entydigt bestämda individer. Tillexempel är det ungefär 4000 markörer som har mellan 2,5% och 5% enty-digt bestämda individer och ungefär 1500 markörer som har mellan 10% och12,5% entydigt bestämda individer.

11

1

Andel enty

dig

t bestä

mda indiv

ider

i pro

cent

0

10

20

30

40

50

60

70

80

90

100

Figur 2: Denna figur visar ett lådogram över hur markörerna är uppdelade iförhållande till andel entydigt bestämda individer för den första simuleringen,med andel entydigt bestämda individer på y-axeln.

Figur 2 visar motsvarande resultat som figur 1, men i form av ett lådogrami stället för ett histogram. Resultatet visar, precis som innan, markörfördel-ningen i förhållande till andel entydigt bestämda individer, men illustrerari detta fall vilka intervall av andel entydigt bestämda individer som hör tillvilka kvartiler av antal markörer.

12

3.2 Minor Allele Frequency (MAF)

Minor Allele Frequency (MAF) i procent

0 5 10 15 20 25 30 35 40 45 50

Andel enty

dig

t bestä

mda indiv

ider

i pro

cent

0

10

20

30

40

50

60

70

80

90

100

Figur 3: Denna figur visar en punktplot över hur andel entydigt bestämdaindivider beror av MAF för varje markör för den första simuleringen, medandel entydigt bestämda individer på y-axeln och MAF i procent på x-axeln.

Figur 3 visar ett annat resultat av samma simulering som Figur 1 och Figur2, i form av en punktplot. Denna illustrerar hur andel entydigt bestämdaindivider beror av MAF för varje markör. Varje punkt motsvarar alltså enmarkör.

13

Minor Allele Frequency (MAF) i procent

0 5 10 15 20 25 30 35 40 45 50

Anta

l m

ark

öre

r

0

200

400

600

800

1000

1200

1400

1600

1800

Figur 4: Denna figur visar ett histogram över markörfördelningen i förhållan-de till MAF i den filtrerade filen, med antal markörer på y-axeln och MAF iprocent på x-axeln.

Figur 4 illustrerar markörfördelningen i förhållande till MAF i den filtreradefilen. Det är en jämnare fördelning mellan staplarna i denna figur än i Figur1, där markörfördelning i förhållande till andel entydigt bestämda individervisas, notera att MAF ligger på 23,80% i snitt.

Medelvärdena och standardavvikelserna för de olika simuleringarnas antalentydigt bestämda individer visas nedan i Tabell 3.

Tabell 3: Denna tabell visar medelvärdena och standardavvikelserna för deolika simuleringarna

Slumpfrö Medelvärde Standardavvikelse230431854001625 934,01 757,69129666562967335 931,66 757,51130067199881048 934,66 756,30

Medelvärdena från Tabell 3 ligger väldigt nära varandra och motsvarar un-gefär 37% av det totala antalet individer 2504. Alltså ger ungefär 37% av

14

individerna ett entydigt resultat när en simulering körs med grupper om åttaindivider. Standardavvikelserna från Tabell 3 ligger även de nära varandra.

4 Diskussion

4.1 Utvärdering

Det syns i Figur 1 att andel entydigt bestämda individer är ganska jämntfördelat bland markörerna. Det är ungefär lika många markörer som har47,5-50% entydigt bestämda individer och 90-92,5% entydigt bestämda in-divider. Detta gäller dock inte för låga andel entydigt bestämda individer,där antalet markörer är högre. Detta beror troligtvis på hur utvärderingen avpoolerna görs, grupper kan endast få resultaten noll, fyra, fem, sex, sju samtåtta entydigt bestämda individer. Detta beror på att minst en delpool medfyra måste vara homozygota och lika för att någon individ ska bestämmas.Markörer med hög MAF kommer således förskjuta resultaten mot noll förvarje grupp.

Det syns i Tabell 3 att de olika simuleringarna har väldigt lika resultat,vilket tyder på att programmet fungerar bra, även om det egentligen krävsen bredare statistisk analys för att fastställa detta. Medelvärdet är ungefär37% entydigt bestämda individer för samtliga simuleringar, vilket är ett re-sultat som anses fullgott. Detta speciellt med tanke på att MAF i genomsnittlåg på 23,80%, vilket tyder på att många av de undersökta markörerna hadetämligen vanligt förekommande varianter.

Om det är tillräckligt hög träffsäkerhet för att kunna användas i praktikenär svårt att säga, men för markörer med låg MAF bör det kunna vara ettanvändbart tillvägagångssätt. I Figur 3 ser vi att en stor andel av markörernamed MAF under 5% har fler än 80% entydigt bestämda individer, vilket ärett väldigt bra resultat.

Det är också värt att notera att information erhålls även för många av deindivider som inte entydigt kan bestämmas. Om alla utom en individ i enviss delpool har 0|0 (vilket ibland kan bestämmas från andra delpooler) ochsvaret från delpoolen blir 1|0 så kan vi inte med säkerhet bestämma densista individens alleler. Men vi vet att den minst innehåller en etta, vilket i

15

biologiska sammanhang kan vara viktig information i sig.

4.2 Felkällor

Ett oroväckande resultat är markörerna i nedre vänstra hörnet på Figur 3.Vi kan inte med säkerhet förklara hur en markör får så få bestämda individermed så låg MAF. Det kan bero på att vissa markörer inte har komplettdata på samtliga individer och att ett tomt anrop till dessa i utvärderingenförstör hela gruppen. Resultaten skulle också behöva statistiskt säkerställasytterligare för att vara fullständigt pålitliga.

5 Slutsatser

5.1 Upplevelse av verktyg

5.1.1 Överblick

Då projektet startade så var båda författarna helt okunniga om några avverktygen vi arbetade med, vilket kan göra att en utvärdering av dem kanvara intressant. Java och Matlab hade vi båda erfarenhet av så dem uteslutervi ur utvärderingen då dessa fungerade som väntat. Det vi först kom i kontaktunder arbetet med var Eclipse. Detta program har stora fördelar över DrJavasom vi tidigare använt. Det finns mycket fler valmöjligheter och integreradetillbehör, vilket underlättar arbetet oerhört när allt fungerade. På grund avalla valmöjligheter tar det dock avsevärt mycket längre tid att vänja sig vidän DrJava som man i princip bara startar och börjar skriva kod i. Vi använderEclipse istället för DrJava bland annat för att DrJava inte har ett bra sättatt importera hela HTSJDK på.

5.1.2 GitHub

Det andra nya verktyget vi kom i kontakt med var Git och närmare bestämtGitHub. GitHub använder vi primärt för att dela projektet mellan förfat-tarna. Eclipse direktintegration med GitHub underlättar vid varje pull ochpush av projektet och är väldigt smidigt att använda när allt är konfigurerat.Konfigureringen tar dock ganska lång tid och det är svårt att veta om manallting är rätt inställt. Vi har ingen version av vårt projekt som helt havererar

16

utan att vi enkelt kan spåra varför. Hade vi haft det hade tiden det tog attkonfigurera git troligen känts mer väl spenderad.

5.1.3 Maven

Maven var det tredje nya verktyg vi bekantade oss med. Det var något enklarekonfigurera än Git. Vårat projekt har ganska få delar så vi använde detprimärt för att importera HTSJDK som ett beroende på ett väldigt enkeltsätt.

5.1.4 HTSJDK

HTSJDK var det sista obekanta verktyget vi använde. Det har exakt allt vibehöver i form av klasser för att läsa in data och bearbeta dem efter vårabehov och mer därtill. Det stora hindret för att använda HTSJDK är dockinte att förstå upplägget mellan olika klasser ur ett programmeringsperspek-tiv. Det svåra för oss är att som noviser inom biologi så förstår vi inte alltidtermerna de använder sig av i dokumentationen. Detta resulterar i att viibland måste pröva ett par olika metoder och skriva ut det de returnerar föratt se om det är den metod vi söker. Att HTSJDKs dokumentation är riktadtill personer med djupare kunskaper i biologi får dock anses som fullständigtrimligt.

5.2 Utveckling

Som nämnt i inledningen skulle det vara intressant att utveckla programmetså att det blir möjligt för användaren att ställa in hur många individer somska finnas i varje grupp. Utvärderingsloopen i detta projekt blev lite för spe-cifik och fungerar endast för grupper om åtta individer. För att lyckas meddenna utveckling krävs det att det upptäcks ett samband för hur villkorenför entydighet ändras när man ökar antalet individer i varje grupp.

Det skulle också vara intressant att kunna ställa in olika parametrar, tillexempel geografi, för att kunna göra simuleringar som är mer specifika förolika situationer.

Gränssnitten, även om de existerar skulle också kunna utvecklas. I nuvarande

17

form tar de båda programmen in argument för in- och utdata. För använda-re helt utan programmeringsbakgrund kanske ett grafiskt gränssnitt skullekunna implementeras, detta i kombination med valmöjligheter för grupperskulle ge produkten ett professionellare intryck.

Det skulle också kunna utvecklas ett mått för den information som manfår om vissa individer som inte entydigt kan bestämmas samt ett sätt attberäkna detta.

Fler körningar av programmet mot fler kromosomer skulle också behövas,samt att biologer som jobbar med microarrayer utvärderar ifall resultaten ärbra nog för att metoden bör praktiseras.

6 Referenser[1] IGSR: The International Genome Sample Resource. The 1000 Genom-

es Project[Internet] Cambridgeshire: European Molecular Biology Labo-ratory; 2008[Uppdaterad 2016-05-26, citerad 2016-05-26]. Hämtad från:http://www.1000genomes.org/about

[2] Samtools. A Java API for high-throughput sequencing da-ta (HTS) formats.[Internet].[citerad 2016 25 maj]. Hämtad från:https://samtools.github.io/htsjdk/

[3] IGSR: The International Genome Sample Resource. The 1000 GenomesProject[Internet] Cambridgeshire: European Molecular Biology Labora-tory; 2008[Uppdaterad 2015-05-27, citerad 2016-05-26]. Hämtad från:ftp://ftp.1000genomes.ebi.ac.uk/vol1/ftp/release/20130502/ALL.chr11.phase3_-shapeit2_mvncall_integrated_v5a.20130502.genotypes.vcf.gz

[4] Illumina. Infinium Omni2.5-8 v1.3 Support Fi-les[Internet] Hämtad från: [uppdaterad 2016 mars 10;citerad 2016 9 mars] ftp://webdata2:[email protected]/downloads/productfiles/humanomni25/v1-3/infiniumomni2-5-8-v1-3-a1-455-locus-report.zip

[5] Skansholm J. Java direkt med Swing. 8. uppl. Lund: StudentlitteraturAB, 2014.

18

[6] Chacon S, Straub B. Pro Git [Internet]. New York:Apress; 2014 [citerad 2016 maj 25] GitHub. Hämtad från:https://progit2.s3.amazonaws.com/en/2016-03-22-f3531/progit-en.1084.pdf

[7] The Eclipse Foundation. M2Eclipse[Internet].[uppdaterad 2015 sep 21;citerad 2016 maj 25] Hämtad från: http://www.eclipse.org/m2e/

AppendicesA ReadVCF

/***@author Jonas Giek & Simon Stromstedt Hallberg

*attempt at reading a VCF

*/package poolinggenomes;

import htsjdk.samtools.util.CloseableIterator;import htsjdk.variant.vcf.VCFFileReader;import htsjdk.variant.variantcontext.VariantContext;import htsjdk.variant.variantcontext.writer.VariantContextWriter;import htsjdk.variant.variantcontext.writer.VariantContextWriterBuilder;import htsjdk.variant.variantcontext.writer.Options;import htsjdk.variant.vcf.VCFHeader;import htsjdk.samtools.SAMSequenceDictionary;import java.util.HashSet;import java.io.*;import java.util.Scanner;public class ReadVCF {

/*** This is a program to filter an existing .vcf-file against a

textfile

* containing the names of the variants you want to keep.

* @param args The first argument is the filename of markernames that the program will filter the .vcf-file against.

* @param args The second argument is the filename of the .vcfor vcf.gz-file you want to filter.

* @param args The third argument is the name of the output file.

*/public static void main(String[] args) throws

19

FileNotFoundException {Scanner scan = new Scanner(new File(args[0]));HashSet<String> names = new HashSet<String>();int countfilter= 0;int countgrundfil= 0;while (scan.hasNext()){

scan.nextInt();names.add(scan.next());countfilter++;scan.nextLine();

}scan.close();File vcfFile = new File(args[1]);VCFFileReader reader = new VCFFileReader(vcfFile);SAMSequenceDictionary dic = VCFFileReader.

getSequenceDictionary(vcfFile);VCFHeader header = reader.getFileHeader();VariantContextWriterBuilder builder = new

VariantContextWriterBuilder().setReferenceDictionary(dic).setOption(Options.INDEX_ON_THE_FLY);

VariantContextWriter writer = builder.setOutputFile(args[3]).build();

CloseableIterator<VariantContext> iter = reader.iterator();

VariantContext variant = null;writer.writeHeader(header);int count= 0;

while (iter.hasNext()) {variant = iter.next();if (names.contains(variant.getID()) && variant!=

null) {writer.add(variant);count++;

}countgrundfil++;

}System.out.println(count);System.out.println(countfilter);System.out.println(countgrundfil);System.out.println();System.out.println(variant.getID());reader.close();

}}

20

B RandomGroups

/*** @author Jonas Giek & Simon Stromstedt Hallberg

*///package poolinggenomes;

import htsjdk.samtools.util.CloseableIterator;import htsjdk.variant.vcf.VCFFileReader;import htsjdk.variant.variantcontext.VariantContext;import htsjdk.variant.variantcontext.Allele;import java.io.*;import java.util.Set;import java.util.ArrayList;import java.util.List;import java.util.Random;

class RandomGroups {

/*** This a program to calculate how many of the indivduals in a

certain vcf-file

* could get their genotype correctly determined with randomisedpooling in microarrays.

* Output files contain how many correctly determined individualseach marker got as well

* as the Minor Allele Frequency of the marker.

* @param args The argument is the input file that will beevaluated.

*/public static void main(String[] args) throws FileNotFoundException

{long seed = System.nanoTime();// long seed = null;File vcfFile = new File(args[0]);VCFFileReader reader = new VCFFileReader(vcfFile, false);CloseableIterator<VariantContext> iter = reader.iterator();VariantContext variantForNames = iter.next();Set<String> names = variantForNames.getSampleNames();ArrayList <String> namelist = new ArrayList(names);int size = namelist.size();int shrinkingSize = namelist.size();int sizeOfGroups = 8;Random rdm = new Random(seed);String seedToNameCount =

"markcount"+String.valueOf(seed)+".txt";String seedToNameMAF = "maf"+String.valueOf(seed)+".txt";ArrayList <ArrayList<String>> groups =

21

new ArrayList<ArrayList<String>>();for (int i = 0; i < (size/sizeOfGroups); i++) {

ArrayList<String> L = new ArrayList<String>();for (int j = 0; j <sizeOfGroups; j++) {

int ind = rdm.nextInt(shrinkingSize);String S = namelist.get(ind).toString();L.add(S);namelist.remove(ind);shrinkingSize--;

}groups.add(L);

}iter.close();CloseableIterator<VariantContext> iter2 = reader.iterator();VariantContext variant = null;int countmarkers=0;double maf;List<Allele> alleles = null;PrintWriter outputStream=new PrintWriter(seedToNameCount);PrintWriter outputStream1=new PrintWriter(seedToNameMAF);//PrintWriter outputStream=new

PrintWriter(seedToName+"replica.txt");int count;while (iter2.hasNext()) {

variant = iter2.next();alleles = variant.getAlleles();variant.getCalledChrCount(alleles.get(0));

if (variant.getCalledChrCount(alleles.get(0))>=variant.getCalledChrCount(alleles.get(1))) {

maf = (double) variant.getCalledChrCount(alleles.get(1))/variant.getCalledChrCount();}

else {maf = (double) variant.getCalledChrCount(alleles.get(0))/variant.getCalledChrCount();}outputStream1.println(maf);countmarkers++;count=0;

for (int j = 0; j < groups.size(); j++) {if (variant.getGenotype(groups.get(j).get(0)).isHom()

&& (variant.getGenotype(groups.get(j).get(0)).sameGenotype(variant.getGenotype(groups.get(j).get(1)))&& variant.getGenotype(groups.get(j).get(0)).sameGenotype(variant.getGenotype(groups.get(j).get(2)))&& variant.getGenotype(groups.get(j).get(0)).sameGenotype(variant.getGenotype(groups.get(j).get(3)))|| variant.getGenotype(groups.get(j).get(0)).

22

sameGenotype(variant.getGenotype(groups.get(j).get(1)))&& variant.getGenotype(groups.get(j).get(0)).sameGenotype(variant.getGenotype(groups.get(j).get(4)))&& variant.getGenotype(groups.get(j).get(0)).sameGenotype(variant.getGenotype(groups.get(j).get(5)))|| variant.getGenotype(groups.get(j).get(0)).sameGenotype(variant.getGenotype(groups.get(j).get(2)))&& variant.getGenotype(groups.get(j).get(0)).sameGenotype(variant.getGenotype(groups.get(j).get(4)))&& variant.getGenotype(groups.get(j).get(0)).sameGenotype(variant.getGenotype(groups.get(j).get(6)))))count++;

if (variant.getGenotype(groups.get(j).get(1)).isHom()&& (variant.getGenotype(groups.get(j).get(1)).sameGenotype(variant.getGenotype(groups.get(j).get(0)))&& variant.getGenotype(groups.get(j).get(1)).sameGenotype(variant.getGenotype(groups.get(j).get(2)))&& variant.getGenotype(groups.get(j).get(1)).sameGenotype(variant.getGenotype(groups.get(j).get(3)))|| variant.getGenotype(groups.get(j).get(1)).sameGenotype(variant.getGenotype(groups.get(j).get(0)))&& variant.getGenotype(groups.get(j).get(1)).sameGenotype(variant.getGenotype(groups.get(j).get(4)))&& variant.getGenotype(groups.get(j).get(1)).sameGenotype(variant.getGenotype(groups.get(j).get(5)))|| variant.getGenotype(groups.get(j).get(1)).sameGenotype(variant.getGenotype(groups.get(j).get(3)))&& variant.getGenotype(groups.get(j).get(1)).sameGenotype(variant.getGenotype(groups.get(j).get(5)))&& variant.getGenotype(groups.get(j).get(1)).sameGenotype(variant.getGenotype(groups.get(j).get(7)))))count++;

if (variant.getGenotype(groups.get(j).get(2)).isHom()&& (variant.getGenotype(groups.get(j).get(2)).sameGenotype(variant.getGenotype(groups.get(j).get(0)))&& variant.getGenotype(groups.get(j).get(2)).sameGenotype(variant.getGenotype(groups.get(j).get(1)))&& variant.getGenotype(groups.get(j).get(2)).sameGenotype(variant.getGenotype(groups.get(j).get(3)))|| variant.getGenotype(groups.get(j).get(2)).sameGenotype(variant.getGenotype(groups.get(j).get(0)))&& variant.getGenotype(groups.get(j).get(2)).sameGenotype(variant.getGenotype(groups.get(j).get(4)))&& variant.getGenotype(groups.get(j).get(2)).sameGenotype(variant.getGenotype(groups.get(j).get(6)))|| variant.getGenotype(groups.get(j).get(2)).sameGenotype(variant.getGenotype(groups.get(j).get(3)))

23

&& variant.getGenotype(groups.get(j).get(2)).sameGenotype(variant.getGenotype(groups.get(j).get(6)))&& variant.getGenotype(groups.get(j).get(2)).sameGenotype(variant.getGenotype(groups.get(j).get(7)))))count++;



if (variant.getGenotype(groups.get(j).get(5)).isHom()&& (variant.getGenotype(groups.get(j).

24

get(5)).sameGenotype(variant.getGenotype(groups.get(j).get(0)))&& variant.getGenotype(groups.get(j).get(5)).sameGenotype(variant.getGenotype(groups.get(j).get(1)))&& variant.getGenotype(groups.get(j).get(5)).sameGenotype(variant.getGenotype(groups.get(j).get(4)))|| variant.getGenotype(groups.get(j).get(5)).sameGenotype(variant.getGenotype(groups.get(j).get(4)))&& variant.getGenotype(groups.get(j).get(5)).sameGenotype(variant.getGenotype(groups.get(j).get(6)))

&& variant.getGenotype(groups.get(j).get(5)).sameGenotype(variant.getGenotype(groups.get(j).get(7)))

|| variant.getGenotype(groups.get(j).get(5)).sameGenotype(variant.getGenotype(groups.get(j).get(1)))&& variant.getGenotype(groups.get(j).get(5)).sameGenotype(variant.getGenotype(groups.get(j).get(3)))&& variant.getGenotype(groups.get(j).get(5)).sameGenotype(variant.getGenotype(groups.get(j).get(7)))))count++;


if (variant.getGenotype(groups.get(j).get(7)).isHom()&& (variant.getGenotype(groups.get(j).get(7)).sameGenotype(variant.getGenotype(groups.get(j).get(4)))&& variant.getGenotype(groups.get(j).get(7)).sameGenotype(variant.getGenotype(groups.get(j).get(5)))&& variant.getGenotype(groups.get(j).get(7)).sameGenotype(variant.getGenotype(groups.get(j).get(6)))|| variant.getGenotype(groups.get(j).get(7)).sameGenotype(variant.getGenotype(groups.get(j).get(2)))

25

&& variant.getGenotype(groups.get(j).get(7)).sameGenotype(variant.getGenotype(groups.get(j).get(3)))&& variant.getGenotype(groups.get(j).get(7)).sameGenotype(variant.getGenotype(groups.get(j).get(6)))|| variant.getGenotype(groups.get(j).get(7)).sameGenotype(variant.getGenotype(groups.get(j).get(1)))&& variant.getGenotype(groups.get(j).get(7)).sameGenotype(variant.getGenotype(groups.get(j).get(3)))&&

variant.getGenotype(groups.get(j).get(7)).sameGenotype(variant.getGenotype(groups.get(j).get(5)))))count++;

}outputStream.println(count);

}outputStream.close();outputStream1.close();

System.out.println(seed);System.out.println(countmarkers);reader.close();

}}

26

simulerad effektivisering av genotypdataanalys genom...

Documents