超详细的VCF文件教学：结构、格式含义、处理

tRNA做科研

已于 2024-12-18 20:35:07 修改

阅读量2.9k

点赞数 32

分类专栏：计算生物学文章标签：数据库算法

于 2024-12-18 20:25:18 首次发布

本文链接：https://blog.csdn.net/qq_51566832/article/details/144557840

版权

计算生物学专栏收录该内容

16 篇文章

订阅专栏

在最近半年的工作中，一直在和VCF文件打交道，从一开始的陌生到现在的熟悉，花费了不少功夫，在过程中很多不明白的地方都是到处去收集，反而零零散散，因此我想写一篇博客详细的讲讲vcf文件。

6.GATK对于mutation的FILTER

7.一些操作VCF的软件-VCFTOOLS

示例1：过滤VCF文件中的SNPs

示例2：计算群体的核苷酸多样性

示例3：比较两个VCF文件的差异 bash

示例4：提取特定区域的VCF数据

示例5：提取特定样本的VCF数据

示例6：计算缺失率

1.什么是VCF文件？

在生物信息学的研究领域，对基因组序列的变异进行精确记录和分析至关重要。VCF（Variant Call Format）文件作为一种标准化的文本格式，为科学家们提供了一种高效的方式来存储和交换基因组变异数据。

VCF格式最初由大名鼎鼎的1000 Genomes Project提出，并随着生物信息学的发展不断完善。目前，VCF格式的维护和扩展工作由全球基因组与健康联盟（Global Alliance for Genomics and Health）的数据工作组负责。

VCF文件用于存储基因组序列变异信息。它能够记录个体基因组中的单核苷酸多态性（SNPs）、插入和缺失（indels）以及其他结构变异。VCF文件的应用范围广泛，包括但不限于进化树分析、群体结构分析、主成分分析（PCA）、全基因组关联研究（GWAS）、二代测序的肿瘤基因组研究等。

2.VCF文件的结构

VCF文件的主要结构如下所示：

大体由两部分组成：注释部分和主体内容部分。

我们以一个虚构的VCF文件来看：

（1）注释部分

注释部分以“##”开头，包含文件格式版本、参考序列、注释信息等元数据。这部分提供了关于VCF文件本身的详细信息，如创建日期、软件版本、参考基因组构建等。

在注释部分中记录了后续内容中每个内容是什么，由什么产生等详细信息，因此是需要阅读的。

例如下：

##fileformat=VCFv4.2
##reference=GRCh38
##INFO=<ID=AF,Number=A,Type=Float,Description="Allele Frequency">
##FORMAT=<ID=GT,Number=1,Type=String,Description="Genotype">
##FORMAT=<ID=GQ,Number=1,Type=Integer,Description="Genotype Quality">
##FORMAT=<ID=DP,Number=1,Type=Integer,Description="Read Depth">

第一行指定了VCF文件的格式版本为VCFv4.2。
第二行指定了参考基因组构建为GRCh38。
第三行和第四行定义了INFO字段中的AF标签，表示等位基因频率。
第五行和第六行定义了FORMAT字段中的GT、GQ和DP标签，分别表示基因型、基因型质量和读取深度。
第七行是VCF文件的标题行，列出了所有必需的字段和样本名称。

这些信息有助于我们对vcf进行进一步处理的时候，理解每个数据是什么意思。

（2）标题行

标题行在注释部分后，内容部分前，它定义了文件主体部分每一列的含义。例如：

#CHROM	POS	ID	REF	ALT	QUAL	FILTER	INFO	FORMAT	Sample1	Sample2

（3）内容部分

主体部分记录具体的变异信息，每行代表一个基因位点的变异。每行包含多个字段，这些字段由制表符分隔。例如下：

#CHROM	POS	ID	REF	ALT	QUAL	FILTER	INFO	FORMAT	Sample1	Sample2
chr1	100	rs12345	A	G	50	PASS	AF=0.5	GT:GQ:DP	0/1:99:50	./.:.
chr2	200	.	C	T	30	PASS	AF=0.3	GT:GQ:DP	1/1:95:40	0/0:100:60

以下是VCF文件的主要字段：

CHROM：表示变异位点所在的染色体或contig。
POS：变异位点在参考基因组中的位置。
ID：如果变异在数据库中有记录，则给出相应的标识符，如dbSNP中的rs编号；否则用“.”表示。
REF：参考基因组中的碱基。
ALT：变异基因组中的碱基。
QUAL：Phred格式的质量值，表示变异位点的可靠性。
FILTER：表示变异位点是否通过了质量控制过滤。
INFO：包含多个以分号分隔的键值对，提供关于变异的额外信息，如等位基因频率（AF）、深度（DP）等。
FORMAT：定义了后续样本列中数据的格式，常见的有GT（基因型）、GQ（基因型质量）、DP（测序深度）等。
样本基因型信息：每个样本的基因型信息，按照FORMAT字段指定的格式排列。

了解了这些就基本了解了VCF文件的格式，我们进一步仔细学习一下INFO和FORMAT的内容

3.INFO信息

INFO字段是VCF文件中的一个重要组成部分，它用于存储与变异位点相关的附加信息。这些信息通常以键值对的形式存在，每个键值对由等号（=）连接，而不同的键值对之间则由分号（;）分隔。INFO字段可以包含多种类型的统计数据和注释信息，这些信息对于理解变异位点的性质和影响至关重要。例如：

AF=0.2;AC=4;DP=50;VT=SNP;IMPACT=Moderate

常见的字段包括：

等位基因频率（AF）‌：表示变异位点的次生等位基因在样本集合中的频率。
等位基因计数（AC）‌：表示变异位点的次生等位基因在样本集合中出现的次数。
基因型频率（GF）‌：表示不同基因型在样本集合中的分布情况。
深度（DP）‌：表示测序数据在变异位点的覆盖深度。
质量得分（QUAL）‌：虽然通常在VCF文件的独立字段中给出，但有时也会在INFO字段中提供更详细的得分信息。
过滤状态（FILTER）‌：虽然也有独立的FILTER字段，但INFO字段可能会包含更多关于过滤原因的细节。
变异类型（VT）‌：表示变异是SNP、indel还是其他类型。
影响（IMPACT）‌：表示变异对基因或蛋白质功能的潜在影响程度。
来源（SRC）‌：表示变异是如何被检测到的，例如通过哪种测序技术或分析方法。
注释（ANN）‌：提供关于变异位点的详细生物学注释，如受影响的基因、蛋白改变等。

以我们的例子来看：

AF=0.2 表示等位基因频率为0.2，AC=4 表示等位基因计数为4，DP=50 表示测序深度为50，VT=SNP 表示这是一个单核苷酸多态性，而 IMPACT=Moderate 表示这个变异对基因或蛋白质功能的影响程度为中等。

INFO字段提供了变异位点的详细背景信息，这对于后续的分析和解释至关重要。例如，在进行全基因组关联研究（GWAS）时，等位基因频率和等位基因计数可以帮助识别与疾病相关的变异。在进行基因组注释时，注释信息可以帮助了解变异对基因表达和蛋白质功能的潜在影响。

4.FORMAT字段

FORMAT字段在VCF文件中用于指定样本数据的格式。它定义了后续样本列中数据的排列顺序和类型，确保了样本数据的一致性和可读性。FORMAT字段通常包含一系列的标签，每个标签都对应一种特定的数据类型，如基因型（GT）、基因型质量（GQ）、测序深度（DP）等。

其实就是INFO主要是针对位点，而FORMAT代表的是每个样本个性化的信息！

FORMAT字段可能包含以下标签：

GT（Genotype）‌：表示样本在该变异位点的基因型。对于二倍体生物，基因型通常表示为两个数字的组合，如“0/1”表示杂合子，其中“0”代表参考等位基因，“1”代表变异等位基因。
GQ（Genotype Quality）‌：表示基因型质量得分，反映了对基因型推断的置信度。得分越高，表示基因型推断的准确性越高。
DP（Depth）‌：表示测序深度，即在该变异位点的测序覆盖度。DP值越高，表示该位点的测序数据越丰富，推断结果越可靠。
AD（Allelic Depth）‌：表示每个等位基因的测序深度。对于二倍体生物，AD通常包含两个数字，分别表示参考等位基因和变异等位基因的读取次数。
PL（Phred-scaled Likelihoods）‌：表示基于Phred尺度的似然比，用于评估不同基因型的可能性。PL值越低，表示对应的基因型可能性越高。

我们举个例子说明：

#CHROM	POS	ID	REF	ALT	QUAL	FILTER	INFO	FORMAT	Sample1	Sample2
chr1	10001	rs12345	A	C	50	PASS	AF=0.2;DP=30	GT:GQ:DP	0/1:99:15	./.:.
chr1	10002	.	T	G	30	FILTERED	AF=0.5;DP=20	GT:GQ:DP	1/1:95:10	0/0:100:25

在这个例子中，FORMAT字段为“GT:GQ:DP”，这意味着每个样本的数据都将按照“基因型:基因型质量:测序深度”的顺序排列。
对于第一个变异位点（chr1:10001），Sample1的数据显示为“0/1:99:15”，这表示：
GT（基因型）‌：Sample1在这个位点的基因型为杂合子（0/1），其中“0”代表参考等位基因“A”，“1”代表变异等位基因“C”。
GQ（基因型质量）‌：Sample1的基因型质量得分为99，这是一个很高的得分，表明对该基因型的推断非常有信心。
DP（测序深度）‌：Sample1在这个位点的测序深度为15，这意味着有15条读段覆盖了这个位点。
对于第二个变异位点（chr1:10002），Sample1的数据显示为“1/1:95:10”，这表示：
GT（基因型）‌：Sample1在这个位点的基因型为纯合子（1/1），其中两个“1”都代表变异等位基因“G”。
GQ（基因型质量）‌：Sample1的基因型质量得分为95，这也是一个很高的得分，表明对该基因型的推断非常有信心。
DP（测序深度）‌：Sample1在这个位点的测序深度为10，这意味着有10条读段覆盖了这个位点。
同时，Sample2在第一个变异位点没有数据（显示为“./.:.”），这可能意味着样本没有被成功测序或者数据质量不足以进行推断。而在第二个变异位点，Sample2的数据显示为“0/0:100:25”，这表示Sample2在这个位点的基因型为纯合子（0/0），基因型质量得分为100，测序深度为25。

5.针对GATK的VCF文件理解

对于最新的GATK call mutation的教程后面会更新，不过这里我简要叙述一下mutect2及后续mutect2质控后得到的VCF文件的一些基本信息：

其INFO和FORMAT例如下：

这些INFO和FORMAT代表的含义我总结了表格如下：

INFO

FORMAT

6.GATK对于mutation的FILTER

GATK对于VCF的质控后，会将结果存放在FILTER列中，方便后续的查找，我总结了几种常见的：

后续的更详细的内容会出针对GATK筛选流程的博客！如果希望我早点出可以评论区和我说！

7.一些操作VCF的软件-VCFTOOLS

我们以VCFtools为例子讲述一些VCF文件的基本操作：

#首先安装vcftools
conda install vcftools

示例1：过滤VCF文件中的SNPs

vcftools --vcf input.vcf --remove-indels --recode --out filteredsnps

这个命令会从input.vcf文件中移除所有的插入和缺失（indels），只保留SNPs，并将结果输出到filteredsnps.vcf文件中。

示例2：计算群体的核苷酸多样性

vcftools --vcf input.vcf --diversity --out diversitystats

这个命令会计算input.vcf文件中群体的核苷酸多样性，并将统计结果输出到diversitystats文件中。

示例3：比较两个VCF文件的差异 bash

vcftools --vcf file1.vcf --diff file2.vcf --diff-site --out Diff.site

这个命令会比较file1.vcf和file2.vcf两个文件中的变异位点，并将差异输出到Diff.site文件中。

示例4：提取特定区域的VCF数据

vcftools --vcf input.vcf --bed regions.bed --out extractedvariants

这个命令会从input.vcf文件中提取位于regions.bed文件指定区域内的变异，并将结果输出到extractedvariants.vcf文件中。

示例5：提取特定样本的VCF数据

vcftools --vcf input.vcf --ids samples.txt --out specificsamples

这个命令会从input.vcf文件中提取samples.txt文件列出的样本的变异数据，并将结果输出到specificsamples.vcf文件中。

示例6：计算缺失率

vcftools --vcf input.vcf --missing-indv --out missingness

这个命令会计算input.vcf文件中每个样本的缺失率，并将结果输出到missingness文件中。

上述命令中的--out选项后面跟的是输出文件的前缀，实际的输出文件名会在这个前缀基础上添加相应的扩展名。

如果还有什么问题可以评论区与我讨论！