从VCF文件中一键精准提取关键数据-CSDN博客

本文链接：https://blog.csdn.net/weshengxin/article/details/146247268

很多实验室做基因组分析时，经常被 VCF 文件折磨！密密麻麻的列、看不懂的字段，想提取 “变异位置”“样本基因型” ，还在手动复制？

VCF（Variant Call Format）文件存储了染色体位置、突变类型、质量评分等信息。它包含三个部分：

• 元数据（##开头）：描述文件版本、参考基因组等；
• 标题行（#开头）：定义各列含义（如CHROM、POS、REF、ALT等）；
• 数据行：具体变异位点的详细信息。

但VCF文件的痛点是信息太分散！比如突变的功能注释（如氨基酸改变）可能隐藏在INFO字段里，手动提取这些数据犹如大海捞针。

前面我们学习了SnpSift Variant Type，它能快速为VCF文件中的每个变异贴上"身份标签"，即为INFO字段添加变异类型，并进行纯合/杂合状态标注。今天我们再来学习这款从从VCF文件一键提取关键数据的工具——SnpSift Extract Fields。
关于SnpSift Variant Type，可阅读文章：
基于VCF标准格式的变异类型注释：通过一键标注，快速筛选基因变异类型

SnpSift Extract Fields跟SnpSift Variant Type一样，是Galaxy云平台（网址：usegalaxy.cn）的独有功能，背后依赖的都是SnpSift、coreutils和perl脚本。

功能特点

SnpSift Extract Fields能从VCF文件中精准提取指定字段，生成整洁的表格文件（TSV），方便导入Excel或R进行后续分析。

秒级提取标准字段

VCF 有 6 个必选字段：
染色体（CHROM）、位置（POS）、ID、参考碱基（REF）、突变碱基（ALT）、FILTER

工具已经默认填好，点击运行直接生成基础表格，再也不用记字段名！

自定义挖掘隐藏字段

VCF 的 INFO 区藏着耐药基因标记、群体频率等关键信息：

• 第一步：看 VCF 头文件，查看所有可用字段的说明（Galaxy 平台可直接预览）
• 第二步：按需选择**：比如临床分析可能需要DP（测序深度）、AF（等位基因频率），而功能注释则需要EFF[*].IMPACT（突变影响程度）

多样本一键拆分

如果 VCF 有 100 个样本，想单独提取 “样本 1” 的基因型？
输入 FORMAT/GT:Sample1，自动生成该样本的一列数据，做统计超方便！

解析复杂注释

支持SnpEff生成的ANN、EFF等字段的子字段，例如：

• ANN[*].EFFECT（突变效应类型，如错义突变）
• ANN[*].HGVS_P（蛋白质水平的HGVS命名，如p.Met29Ser）；

支持通配符

用[*]提取所有可能的注释值（例如多个转录本效应）。

特点

• 灵活性：支持超过50种预定义字段和自定义注释；
• 高效性：处理百万级变异的VCF文件仅需几分钟；
• 兼容性：生成表格可直接用于Plink、R语言等下游分析
• 跨平台支持：通过Galaxy云平台（网址：usegalaxy.cn）实现零代码图形化操作，且可与SnpEff、GATK等工具无缝衔接，形成操作流程。

应用场景

GWAS研究

提取QUAL（质量评分）、FILTER（过滤标签）、EFF[*].GENE（基因名称），快速筛选高可信度的关联变异。

癌症基因组分析

结合DP4（测序支持读长数）和AF（等位基因频率），识别肿瘤样本中的体细胞突变。

临床诊断报告

自动生成包含HGVS_P（蛋白质变异命名）的表格，直接用于遗传咨询报告。

标记抗病基因

在植物基因组VCF中提取ID+FILTER，筛选通过质量过滤的抗病相关SNP。

进化：分析群体差异

从多样本的VCF中提取CHROM+POS+Sample1:GT,Sample2:GT，比较两个种群的基因型分布。

研究场景	典型提取字段	分析目标
GWAS分析	CHROM, POS, RSID, P-value	定位显著性SNP
临床诊断	FILTER, AF, ClinVar_annotation	筛选致病性变异
多组学整合	ANN.gene_name, SIFT_score	功能注释与通路分析