WGS数据分析 || VCF文件格式

VCF格式

VCF(Variant Call Format)格式，是用于记录基因序列变异信息（gene sequence variations）。也是做基因组群体相关分析首先需要了解的文件格式。

一个典型的VCF文件格式：

##fileformat=VCFv4.3
##fileDate=20090805
##source=myImputationProgramV3.1
##reference=file:///seq/references/1000GenomesPilot-NCBI36.fasta
##contig=
##phasing=partial
##INFO=
##INFO=
##INFO=
##INFO=
##INFO=
##INFO=
##FILTER=
##FILTER=
##FORMAT=
##FORMAT=
##FORMAT=
##FORMAT=
#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

文件总体结构

文件主要分为两部分：以#开头的Header注释部分，以及主体部分。Header部分包含VCF文件的一些基本信息，INFO/FILTER各个标签的含义；主体部分包括至少10列，其每列具体含义：

1. CHROM：参考序列名
2. POS：Variant在参考序列上的坐标，1-based，左起。
3. ID: 对应dbSNP数据库中的ID。默认没有以.表示。后续下游分析此ID要自主添加。
4. REF：参考序列上的allele。
5. ALT：Variant上的对应allele，多个中间,隔开。
6. QUAL：Phred值表示的Variants质量。
7. FILTER：位点是否需要被过滤。PASS表示通过过滤指标，可能是Variant
8. INFO：Variant各个相关信息，包含VQSR过滤中的各个指标。
9. FORMAT：Variant的各种格式，以:分开，与第10+列联系着看。
10. SAMPLES：第10列开始为format对应值，表头由BAM文件中@RG的SM标签决定。

文件第8列INFO信息

一些注释信息，以分号进行分割。其是后续进行VQSR/过滤所用到的指标。其中一些常见TAG包括

• AC(allele count):基因型与variant一致的allel数目；AN(ALLEL NUMBER)allel的总数目；AF(ALLEL FREQUENCY)allel的频率
• BaseQRankSum(Z-score from Wilcoxon rank sum test of Alt Vs. Ref base qualities)秩和检验后的Z-score值
• DP(Depth)：此位点Reads的覆盖度
• FS(FisherStrand)：值越小越好，表示正负义链的分布均匀性。越大表示链偏向性严重。
• MQ(RMS Mapping Quality:所有比对到此位点reads的mapping quality的均方根值。
• QD(Variant Confidence/Quality by Depth)对比对上reads的mapping quality求均值。QUAL/DP得到
• MQRankSum(Z-score From Wilcoxon rank sum test of Alt vs. Ref read mapping qualities)

文件第9列FORMAT信息

标签之间以冒号:分割，对应的值位于第10列。

• GT(Genotype):数字间用'/'分开，表示双倍体sample的基因型，0为ref型，1为样品中variant的allel，0/0，0/1，1/1
• AD(Allele Depth):样本sample中每一种allele的reads的覆盖度。
• DP(Depth)：sample中该位点的覆盖度。
• GQ(Genotype Quality): 基因型的质量值，表示该位点基因型存在的可能性，值越高越可能
• PL(provides the likelyhood of the given genotypes)三种基因型(0/0,0/1,1/1)的质量值，phred值表示，越大表示此基因型可能性越小。