VCF文件

绵羊2023

已于 2024-11-19 19:53:40 修改

阅读量1.8k

点赞数 17

分类专栏：生信分析文章标签：数据挖掘 linux

于 2024-10-13 18:24:22 首次发布

本文链接：https://blog.csdn.net/pumc_2023/article/details/142885259

版权

生信分析专栏收录该内容

6 篇文章

订阅专栏

一、什么是VCF文件

VCF（Variant Call Format）是用于存储基因组突变信息的一种列表文本格式，SNP（单个碱基变异），INDEL（插入/缺失），CNV（拷贝数变异）SV（结构变异）结果都是以VCF文件格式存储的。处理 VCF 格式软件主要包括 bcftools，vcftools，gatk，python pyvcf，plink 等，GATK软件应用最广。将VCF存储为二进制格式就是 BCF，二进制格式节省更多存储，vcf 与bcf 的关系类似 sam 与 bam 的关系。

二、如何看懂VCF文件

vcf 文件主要分为三部分。

第一部分：双井号注释，为文件头信息，主要介绍文件内容以及 INFO 部分的详细解释；

第二部分：单井号注释，为表头信息，基本内容分为 8 列，分别为：

1. CHROM（chromosome）：变异位点所在染色体位置；

2. POS（position）：变异位点相对于参考基因组所在的位置，如果是indel，就是indel第一个碱基位置。

3. ID（identifier）： variant 的 ID。如果 call 出来的 SNP 存在于 dbSNP 数据库（是 NCBI 中专门用于存储物种 SNP 位点信息的数据库）里，就会显示相应的 dbSNP 里的 rs 编号；若没有，则用 ’.’ 表示其为一个新变体。

4. REF（reference base(s)）：在这个变异位点处，参考基因组中所对应的碱基。

5. ALT（alternate base(s)）：与参考序列相比，研究对象基因组（Variant）中发生突变的碱基。

6. QUAL（quality）： Phred标准下的质量值，可以理解为所 call 出来的变异位点的质量值。表示在该位点存在variant的可能性；该值越高，则variant的可信度越大；
计算方法：① Q=-10*lgP，Q表示质量值；P表示这个位点发生错误的概率。
②Phred值Q = -10 * lg (1-p) ，p为variant存在的概率;
通过计算公式可以看出值为10的表示错误概率为0.1，该位点为variant的概率为90%。
同理，当Q=20时，错误率就控制在了0.01。

7. FILTER（filter status]）：对变异位点进行过滤后，如果通过了过滤标准，那么这些通过标准的变异位点的FILTER一栏就会注释一个PASS，如果没有通过过滤，就会在FILTER这一栏提示除了PASS的其他信息。如果这一栏是一个“.”的话，就说明没有进行过任何过滤。

8. INFO：这一行是variant的详细信息。详见三

第三部分为主体部分，每一行代表一个Variant（变体）的信息。

当文件中包含多个样品时，就会出现“FORMAT” 一列，用于提示后续不同样品中展示的信息。接下来是样品名，每个样品一列。

三、VCF文件 INFO 信息

1. GT（genotype）：表示这个样本的基因型，对于一个二倍体生物，GT值表示的是这个样本在这个位点所携带的两个等位基因。在做变异检测之后通常还要做一步 genotype 就是为了得到这个信息。两个数字中间用’/"分开，这两个数字表示双倍体的 sample 的基因型，0表示样本基因型跟REF的allele（等位碱基）一样；1表示跟ALT一样；2 表示有第二个 variant 的 allele（和 ALT 的第二种碱基相同）。

可以根据 GT 判断出样品的基因型。假设这个突变中 REF 为 C ， ALT 为 T 碱基。

如果 GT 为：

（1）0/0 ：表示样本中该位点为纯合位点，和 REF 的碱基类型一致——CC。

（2）0/1：表示样本中该位点为杂合突变，有 REF 和 ALT 两个基因型——CT；

（3）1/0：表示样本中该位点为杂合突变，有 REF 和 ALT 两个基因型——TC；

（4）1/1：表示样本中该位点为纯合突变，总体突变类型和 ALT 碱基类型一致，为 TT。

（5）1/2：表示样本中该位点为杂合突变，有 ALT1 和 ALT2 两个基因型，可能是 TA 或者 TG。

2. AD（Allele Depth）：表示覆盖到REF和ALT碱基的reads数，对应两个以逗号隔开的值，相当于支持REF和支持ALT的测序深度。

3. DP（Depth）：覆盖到这个位点的总的reads数量，是逗号前和逗号后的两个AD值的加和，越高结果越可信，通常可以用 DP 进行突变结果过滤。

4. GQ（Genotype Quality，基因型的质量值）：表示最可能的基因型的质量值。表示的意义同QUAL。Phred格式(Phred_scaled)的质量值，表示在该位点该基因型存在的可能性；该值越高，则Genotype的可能性越大。

5. PL（provieds the likelihoods of the given genotypes，指定的三种基因型的质量值）: 对应3个以逗号隔开的值，这三个值分别表示该位点基因型是0/0，0/1，1/1的没经过先验的标准化Phred-scaled似然值（L）。这三种指定的基因型(0/0,0/1,1/1)的概率总和为1。如果转换成支持该基因型概率（P）的话，由于L=-10lgP，那么P=10^（-L/10），因此，当L值为0时，P=10^0=1。因此，这个值越小，是这个基因型的可能性越大。

举例

#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT HCC007

chr1 899282 rs28548431 C T PASS GT:AD:DP:GQ:PL 0/1:1,3:4:25.92:103,0,26

在这个位点，GT=0/1，也就是说这个位点的基因型是C/T；GQ=25.92，质量值不太高，可能是因为cover到这个位点的reads数太少，DP=4，也就是说只有4条reads支持这个地方的变异；AD=1,3，也就是说支持REF的read有一条，支持ALT的有3条；在PL里，这个位点基因型的不确定性就表现的更突出了，0/1的PL值为0，虽然支持0/1的概率很高；但是1/1的PL值只有26，也就是说还有10^(-2.6)=0.25%的可能性是1/1；但几乎不可能是0/0，因为支持0/0的概率只有10^(-10.3)=5*10-11。