java 苹果vcf解析,VCF格式解析 | Public Library of Bioinformatics

VCF是用于描述SNP，INDEL和SV结果的文件，下面所记录的是以GATK软件结果的VCF文件，与SAMtools的结果有点不同

VCF文件可以分为两部分看，最上面#号注释的的部分是对一些参数的解释(看英文能懂的话，下面的解释就不用看了)，而下面没#号注释的部分则是各个参数对应的具体的值

一般先关注以下几列信息，从左到右为：#CHROM POS ID REF ALT QUAL FILTER INFO

1 17538 rs200046632 C A 99.60 PASS

1 54421 rs146477069 A G 88.60 PASS

1 55299 rs10399749 C T 867.60 PASS

1 61442 rs74970982 A G 593.03 PASS

1 63268 rs75478250 T C 357.60 PASS

1 64310 rs367969174 A G 59.60 PASSCHROM ：染色体编号

POS：参考基因组上variant碱基的位置，如果是INDEL，则该位置是INDEL第一个碱基的位置

ID：variant的ID，如果在dbSNP中有SNP的id，则显示其id，不然以点表示novel variant。

REF：参考序列上该位点对应的碱基

ALT：与参考序列上的碱基相比发生了突变的碱基，即Variant的碱基

QUAL：Phred格式(Phred_scaled)的质量值，表示该位点存在Variant的可能性，值越高表示突变可能性越大

FILTER：理想情况下，QUAL这个值应该是用所有的错误模型算出来的，这个值就可以代表正确的变异位点了，但是事实是做不到的。因此，还需要对原始变异位点做进一步的过滤。无论你用什么方法对变异位点进行过滤，过滤完了之后，在FILTER一栏都会留下过滤记录，如果是通过了过滤标准，那么这些通过标准的好的变异位点的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：LowQual)。如果这一栏是一个“.”的话，就说明没有进行过任何过滤。

以上几列是最先关注的，接下来还有两列也是蛮重要的FORMAT和最后一列(最后一列一般为样品名)，两者和一起则为基因型信息，前者为格式，后者为对应的数据，如：GT:AD:DP:GQ:PL 0/1:6,5:11:99:138,0,153GT：表示样品的基因型，对于二倍体生物，GT值表示的是样本在这个位点所携带的两个等位基因。0表示跟REF一样，1表示跟ALT一样，2表示有第二个ALT；当只有一个ALT等位基因时：0/0表示纯合子并跟REF一致；0/1表示杂合子，有两个allele，一个是ALT，另一个是REF；1/1表示纯合子并都为ALT

AD：两个以逗号分隔的值，分别表示覆盖到REF和ALT碱基的reads数，也就是REF和ALT对应的测序深度

DP：表示覆盖在这个位点的总reads数，也就是这个位点的测序深度(并不是指具体有多少个reads数量，而是大概满足一定质量值要求的reads数)

PL：三个逗号分隔的值，分别对应该位点的三个基因型0/0，0/1，1/1的没经过先验的标准化Phred-scaled似然值(L)，L=-10lgP，P为支持该基因型的概率，3个概率总和为1；因此，L这个值越小，支持概率就越大，也就是说是这个基因型的可能性越大。

GQ：表示基因型的质量值，Phred格式(Phred_scaled)的质量值，Phred值 = -10 * log (1-p) p为基因型存在的概率，表示该位点基因型存在的可能性。

最后则是INFO列所包含的信息：AC=1;AF=0.500;AN=2;BaseQRankSum=0.748;ClippingRankSum=0.000;DB;DP=34;ExcessHet=3.0103;FS=3.424;MLEAC=1;MLEAF=0.500;MQ=31.07;MQRankSum=-0.087;QD=11.87;ReadPosRankSum=-1.349;SOR=2.636

AC=2;AF=1.00;AN=2;DB;DP=14;ExcessHet=3.0103;FS=0.000;MLEAC=2;MLEAF=1.00;MQ=31.60;QD=29.36;SOR=5.421AC：表示该Allele的数目，Allele数目为1表示双倍体的样本在该位点只有1个等位基因发生了突变

AF：表示Allele的频率，Allele频率为0.5表示双倍体的样本在该位点只有50%的等位基因发生了突变

AN：表示Allele的总数目

即：对于1个diploid sample而言：则基因型 0/1 表示sample为杂合子，Allele数为1(双倍体的sample在该位点只有1个等位基因发生了突变)，Allele的频率为0.5(双倍体的 sample在该位点只有50%的等位基因发生了突变)，总的Allele为2； 基因型 1/1 则表示sample为纯合的，Allele数为2，Allele的频率为1，总的Allele为2。DP：样本在这个位置的reads覆盖度，是一些reads被过滤掉后的覆盖度(跟上面提到的DP类似)

FS：使用Fisher’s精确检验来检测strand bias而得到的Fhred格式的p值，值越小越好

MQ：表示覆盖序列质量的均方值RMS Mapping Quality

BaseQRankSum：Z-score from Wilcoxon rank sum test of Alt Vs. Ref base qualities

ClippingRankSum：Z-score From Wilcoxon rank sum test of Alt vs. Ref number of hard clipped bases

ExcessHet：Phred-scaled p-value for exact test of excess heterozygosity

MLEAC：Maximum likelihood expectation (MLE) for the allele counts (not necessarily the same as the AC), for each ALT allele, in the same order as listed

MLEAF：Maximum likelihood expectation (MLE) for the allele frequency (not necessarily the same as the AF), for each ALT allele, in the same order as listed

MQRankSum：Z-score From Wilcoxon rank sum test of Alt vs. Ref read mapping qualities

QD：Variant Confidence/Quality by Depth

ReadPosRankSum：Z-score from Wilcoxon rank sum test of Alt vs. Ref read position bias

SOR：Symmetric Odds Ratio of 2x2 contingency table to detect strand bias