VCF – GATK
Understanding VCF format
简介
VCF(Variant Call Format)是用于描述SNP，INDEL和SV结果的文本文件,用来存储基因序列上变异位点的数据格式。
SNP&indel
[图片上传失败...(image-55cce9-1700874579802)]
一般用比对产生的bam文件作为输入，利用GATK等软件，以及参考基因组等数据综合分析最终产生VCF结果，记录测序结果里相对于参考序列的序列变异情况。
基因组变异类型
SNP
- single nucleotide polymorphisms，单核苷酸多态性
- 指一种碱基变为另一种碱基
image
INDEL
- 指insert 插入& deletion删除 两种变异类型
- INDEL发生变异的序列长度一般小于50bp
SV
- Structural Variant 结构变异，例如长片段的插入/删除，染色体倒位，拷贝数变异
image
格式
注释信息（header）：位于文件开始，以##开始
包括元数据（metadata）和样本信息（sample information）。元数据描述了 VCF 文件的来源、过滤器、参考序列等信息，而样本信息则提供了每个样本的基因型信息
变异信息（body）：以#开头的字段以下即为变异信息
1、CHROM：染色体编号；1…22，X,Y,M
2、POS：变异在染色体上的相对位置
3、ID：变异编号，可在dbSNP数据库中检索，为空用 . 表示；
4、REF：参考基因组上该位点的碱基类型，即等位基因；
image.png
5、ALT：变异的碱基信息，若有多个，则使用逗号分隔。；
6、QUAL：Q = -10×lg（P：该变异位点检测错误的概率)
QUAL得分不仅仅取决于变异本身，还受到测序深度、覆盖度、序列质量等多种因素的影响。
7、FILTER：过滤信息，PASS表明通过标准的好的变异位点
如果这一栏是一个“.”的话，就说明没有进行过任何过滤。
8、INFO：变异的详细信息key=value,key的具体描述在文件开头的 header lines 中显示。
9、FORMAT：变异位点的格式，如GT:AD:DP:GQ:PGT:PID:PL:PS
10、SAMPLEs： 各个样本的值，由BAM文件中＠RG下的SM标签所决定。
比对结果
VCF记录
第八列INFO字段
包含了对每个变异的详细描述信息。不同的变异类型会有不同的INFO字段，仅介绍部分。
1、AC（Allele Count）: 表示该变异的次生等位基因（ALT）在样本集合中出现的次数，以 ， 进行分隔。
2、AF（Alternate Allele Frequency）：表示该变异的次生等位基因（ALT）在样本集合中的频率。
3、AN（Allele Number）：表示该变异的总等位基因数。
对于一个二倍体而言：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。
4、DP（Read Depth）：表示覆盖该变异位点的测序深度。所有样本里发生该变异的read数目。
5、MQ（Mapping Quality）表示用于对该变异进行比对的测序reads的平均质量。
基因型信息
基因型信息存储于第九列及之后，数据相互对应，前者为格式，后者为格式对应的数据。
#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
1、GT：样品的基因型（genotype）。用 /或者| 分开，两个数字表示二倍体的sample的基因型。0/0 表示sample中该位点为纯合的，和ref一致； 0/1 表示sample中该位点为杂合的，有ref和variant两个基因型； 1/1 表示sample中该位点为纯合的，和variant一致。
/ 表示基因型未定相phasing：即不知道哪个等位基因来自父亲，哪个来自母亲。
2、AD (Allele Depth)：sample中allele的reads覆盖数,用逗号分割的两个值，前者对应ref基因型，后者对应variant基因型；也就是支持REF和支持ALT的测序深度。
3、DP（Depth）：sample中该位点的覆盖度（reads数）。
4、GQ(Genotype Quality)：基因型质量值：-10log10P（p为错误概率）。
5、PL：指定基因型的似然值(provieds the likelihoods of the given genotypes)。这三种指定的基因型为(0/0,0/1,1/1)，概率总和为1。其值越小表示该基因型的可能性越高
6、PGT（Phased Genotype）：已经经过相位分离（Phasing）的基因型。在未经过相位分离的VCF文件中，基因型信息不包含PGT和PID。
7、PID（Phase ID）：用于描述基因型相位的标识符。如果两个不同位点上的基因型具有相同的PID值，则表示这两个位点来自于同一个亲本（parent）。
8、PS（Phase Set）：用于描述同一样本中基因型相位的信息。
实例
#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT NA12878
chr1 873762 . T G 5231.78 PASS AC=1;AF=0.50;AN=2;DP=315;Dels=0.00;HRun=2;HaplotypeScore=15.11;MQ=91.05;MQ0=15;QD=16.61;SB=-1533.02;VQSLOD=-1.5473 GT:AD:DP:GQ:PL 0/1:173,141:282:99:255,0,255
chr1 877664 rs3828047 A G 3931.66 PASS AC=2;AF=1.00;AN=2;DB;DP=105;Dels=0.00;HRun=1;HaplotypeScore=1.59;MQ=92.52;MQ0=4;QD=37.44;SB=-1152.13;VQSLOD= 0.1185 GT:AD:DP:GQ:PL 1/1:0,105:94:99:255,255,0
chr1 899282 rs28548431 C T 71.77 PASS AC=1;AF=0.50;AN=2;DB;DP=4;Dels=0.00;HRun=0;HaplotypeScore=0.00;MQ=99.00;MQ0=0;QD=17.94;SB=-46.55;VQSLOD=-1.9148 GT:AD:DP:GQ:PL 0/1:1,3:4:25.92:103,0,26
chr1 974165 rs9442391 T C 29.84 LowQual AC=1;AF=0.50;AN=2;DB;DP=18;Dels=0.00;HRun=1;HaplotypeScore=0.16;MQ=95.26;MQ0=0;QD=1.66;SB=-0.98 GT:AD:DP:GQ:PL 0/1:14,4:14:60.91:61,0,255
chr1：873762 是一个新发现的T/G变异，并且有很高的可信度（qual=5231.78）。
chr1：877664 是一个已知的变异为A/G 的SNP位点，名字rs3828047，并且具有很高的可信度（qual=3931.66）。
chr1：899282 是一个已知的变异为C/T的SNP位点，名字rs28548431，但可信度较低（qual=71.77）。
chr1：974165 是一个已知的变异为T/C的SNP位点，名字rs9442391，但是这个位点的质量值很低，被标 成了“LowQual”，在后续分析中可以被过滤掉。
chr1 899282 rs28548431 C T [CLIPPED] GT:AD:DP:GQ:PL 0/1:1,3:4:25.92:103,0,26
在这个位点，GT=0/1，基因型是C/T；GQ=25.92，质量值并不算太高，DP=4，只有4条reads支持变异；AD=1,3，支持REF的read有一条，支持ALT的有3条；0/1的PL值为0，支持0/1的概率很高；但是1/1的PL值只有26，还有10(-2.6)=0.25%的可能性是1/1；几乎不可能是0/0，因为支持0/0的概率只有10(-10.3)=5*10-1
转换
vcf和bcf的关系与sam和bam的关系一样
一般转换完在进行压缩，进一步节约存储。可以使用bcftools进行转换。注意，对于vcf或者bcf文件，bcftools默认是调用bgzip进行压缩的，扩展名也为.gz，千万不能自行调用gzip进行压缩，否则后面会出错。
网友评论