GATK最佳实践变异检测过程中的GVCF和VCF

在GATK最佳实践检测变异过程当中，当我们在调用 HaplotypeCaller 时，可以选择输出 GVCF 文件，或者 VCF 文件，这两者有什么区别呢？

GVCF和VCF的异同

首先，这两者都是 VCF 文件，都由HEADER和RECORDS组成。

不同之处在于GVCF文件会记录更多的信息，这里更多的信息是指未突变的位点的覆盖情况。从下面的图我们可以直观地看出两者的区别：

可以看到，GVCF文件也分两种，一种是-erc gvcf ，另一种是 -erc bp_resolution,这两种gvcf文件的区别在于前一种GVCF文件记录非突变位点的时候，以块的形式来记录，而后一种GVCF文件则是对非突变和突变位点一视同仁，前一种方式是为了有效地压缩文件的行数和大小，对后续的分析没有影响，因此这里推荐使用前一种GVCF文件。

通常，GVCF经过FilterMutectCalls 相同的过滤条件过滤后，其结果与VCF的PASS的变异相同。

为什么要使用GVCF

为什么要使用GVCF文件而不是VCF文件呢？这里主要的原因在于多个样本的VCF文件进行合并的时候，需要区分./.和0/0的情况。

./.是未检出的基因型，而0/0是未突变的基因型，如果仅使用普通的VCF文件进行合并，那么就无法区分这两种情况，进而对合并结果产生偏差。

实际上，我们也可以直接将GVCF文件和VCF文件使用bcftools merge进行merge，但是这样拿到的结果会有偏差，因为VCF文件没有未突变的位点的情况。

总的来说，GVCF的好处是：能更方便把一群样本的GVCF联合起来，以便进行下一步分析，提高分析效率。

VCF文件的FORMAT内容详解

QUAL: 指的是caller正确地识别该变异位点的可能性，属于phred-scale quality score的一个应用。

GT,GQ,PL三者的关系：

GT是指该位点最有可能的基因型。

GQ是该位点第二有可能的基因型的PL值。

PL是不同基因型对应的标准化的可能性。

对于二倍体生物来说，PL有三个值，分别对应0/0,0/1,1/1。最有可能的基因型的PL值为0，第二小的是第二个可能。GQ反映的是第二个小的基因型的PL值，如果该值超过99，则定位99，因为超过了99，其几乎不能威胁第一个可能的地位。

计算方法：

PL(0/1) = 0 (the normalized value that corresponds to a likelihood of 1.0) as is always the case for the assigned allele,

but the next PL is PL(1/1) = 26 (which corresponds to 10^(-2.6), or 0.0025). 

QUAL和GQ的区别：

总结

• 在处理单样本时：可以直接使用VCF文件

• 在处理多样本时：由于使用普通的vcf文件进行合并，无法区分./.和0/0的情况（./.是未检出的基因型，而0/0是未突变的基因型），会使结果出现偏差。所以，当有多样本时，官方建议使用HaplotypeCaller对单bam文件分别进行变异检测，生成GVCF文件之后在下一步对GVCF文件进行合并。

参考文献

简书：https://www.jianshu.com/p/35935e257ccf

CSDN：https://www.cnblogs.com/timeisbiggestboss/p/9134733.html

关于简说基因

• 生信平台

  Galaxy中国（UseGalaxy.cn）致力于打造中国人的云上生物信息基础设施。大量在线工具免费使用。无需安装，用完即走。活跃的用户社区，随时交流使用心得。

• 生信分析

  我们能够承接所有 NGS 组学数据分析业务，包括但不限于 WGS / WES / RNA-seq 等。基因组组装、注释，以及各种重测序业务都可以与简说基因合作。

• 生信培训

  简说基因的生信培训班，荣获学员的一致好评。如果你也对生物信息学感兴趣，欢迎来跟简说基因，学真生信。

• 联系方式

  QQ交流群（免费）：925694514

  微信交流群（免费）：加微信好友，注明“Galaxy交流群”

  客服微信：usegalaxy