SV VCF格式的说明及转换

不同的结构变异（structural variation，SV）鉴定工具鉴定出的VCF结果文件格式不尽相同，但也不是完全没有规律可循，主要的格式就有两种，分别是：

• BND notation：BND表示法，即在INFO列以SVTYPE=BND标出
• Symbolic notation：符号表示法，即在ALT列标出具体的SV类型（如<TRA>, <DEL>, <INV>, <DUP>），并在INFO列标出位置信息（如CHR2=1;END=800;CT='3to5'）

简单变异的VCF

提到VCF格式，就不得不提一下用以表示SNP和短的indels (insertions/deletions)的标准VCF格式，格式如下：

##fileformat=VCFv4.3
##fileDate=20090805
##source=myImputationProgramV3.1
##reference=file:///seq/references/1000GenomesPilot-NCBI36.fasta
##contig=<ID=20,length=62435964,assembly=B36,md5=f126cdf8a6e0c7f379d618ff66beb2da,species="Homo sapiens",taxonomy=x>
##phasing=partial
##INFO=<ID=NS,Number=1,Type=Integer,Description="Number of Samples With Data">
##INFO=<ID=DP,Number=1,Type=Integer,Description="Total Depth">
##INFO=<ID=AF,Number=A,Type=Float,Description="Allele Frequency">
##INFO=<ID=AA,Number=1,Type=String,Description="Ancestral Allele">
##INFO=<ID=DB,Number=0,Type=Flag,Description="dbSNP membership, build 129">
##INFO=<ID=H2,Number=0,Type=Flag,Description="HapMap2 membership">
##FILTER=<ID=q10,Description="Quality below 10">
##FILTER=<ID=s50,Description="Less than 50% of samples have data">
##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">
##FORMAT=<ID=HQ,Number=2,Type=Integer,Description="Haplotype Quality">
#CHROM POS      ID         REF   ALT    QUAL  FILTER   INFO                             FORMAT       NA00001         NA00002          NA00003
20     14370    rs6054257  G     A      29    PASS    NS=3;DP=14;AF=0.5;DB;H2           GT:GQ:DP:HQ  0|0:48:1:51,51  1|0:48:8:51,51   1/1:43:5:.,.
20     17330    .          T     A      3     q10     NS=3;DP=11;AF=0.017               GT:GQ:DP:HQ  0|0:49:3:58,50  0|1:3:5:65,3     0/0:41:3
20     1110696  rs6040355  A     G,T    67    PASS    NS=2;DP=10;AF=0.333,0.667;AA=T;DB GT:GQ:DP:HQ  1|2:21:6:23,27  2|1:2:0:18,2     2/2:35:4
20     1230237  .          T     .      47    PASS    NS=3;DP=13;AA=T                   GT:GQ:DP:HQ  0|0:54:7:56,60  0|0:48:4:51,51   0/0:61:2
20     1234567  microsat1  GTC   G,GTCT 50    PASS    NS=3;DP=9;AA=G                    GT:GQ:DP     0/1:35:4        0/2:17:2         1/1:40:3

以 ## 开头的是header部分，主要描述了VCF文件的版本（fileformat），创建时间（fileDate），参考序列（reference）及其他重要的字段信息（尤其是FILTER，INFO和FORMAT列）。像这种VCF格式是比较规范的，在合并多个工具或多个样本的结果时不会出现太大问题。
由于SV比SNP和短的indels复杂很多，一些鉴定SV的工具的结果就比较复杂了，因此像 SURVIVOR 和 mergesv 等在合并多个样本或工具的结果时就会进行统一VCF格式的转换，即将符号表示法转换为BND表示法。

断点方式（SVTYPE=BND）

在描述SV的VCF规范中，其中之一就是详细的描述SV的断点，并在INFO列标明SVTYPE=BND，这时，SV的具体发生情况就有四种类型：

image.png
如上图所示，VCF的BND表示法遵守以下的规则：

• 首先列出染色体和第一个断点的位置，第二个断点的染色体和位置在ALT列标出（如上图的1:800）
• 第二个断点的方向由 [ 的方向决定，[1:800[ 表示从给定位置向右延伸，]1:800] 表示从左边开始延伸并在指定位置结束
• REF 列 N 相对于[1:800[和]1:800]的位置即为第一个断点1:500相对于第二个断点的位置
• N 可能是某一个特定序列，这取决于REF列

符号表示法的易位（<TRA>）

VCF中描述SV的另一种方式是“符号表示法”。在VCF的ALT列中相应的标签，如<INV>表示倒位，<DUP>表示重复。
由于易位相对复杂，因此这里的<TRA>表示的也比较模糊，仅有标签是不够的。所以就有了在INFO列增加相应的标签（CHR2表示第二个断点的染色体，END表示具体位置）表示第二个断点的位置和方向。最后还需要的一个信息就是两个断点间的相邻关系，这里用CT表示。
所以，两种表示方法间的对应关系就有了：

BND	<TRA> with CT INFO field
1 500 . N N[1:800[	1 500 . N <TRA> ... CHR2=1;END=800;CT='3to5'
1 500 . N ]1:800]N	1 500 . N <TRA> ... CHR2=1;END=800;CT='5to3'
1 500 . N [1:800[N	1 500 . N <TRA> ... CHR2=1;END=800;CT='5to5'
1 500 . N N]1:800]	1 500 . N <TRA> ... CHR2=1;END=800;CT='3to3'

其他类型的符号标签（<DEL>, <INV>, <DUP>）

下图展示了删除，倒位和重复的几种情况：

image.png

由此可见，删除和重复只有一种相邻关系，而易位则会存在两种情况，两种表示法的对应关系如下：

Symbolic Call	As BND call(s)
1 10 . N <DEL> ... END=20;	1 10 . N N[1:21[
1 10 . N <INV> ... END=20;	1 10 . N N]1:20]
	1 11 . N [1:21[N
1 1 . N <DUP> ... END=10;	1 1 . N ]1:10]N

在合并多个样本或工具生成的SV VCF时，mergevcf 和 SURVIVOR 均会将符号表示法转为BND表示法，因此，很有必要搞清楚它们之间的对应关系。

参考

• Merging Structural Variant Calls from Different Callers