扫码联系客服
【转录组测序分析专题4】
VCF格式介绍
【转录组测序分析专题】将要讲解流程的内容如下：
往期精彩回顾
此次介绍VCF文件，如有错误，还请各位大侠批评指正！
首先，送上官网的详细说明文档：https://software.broadinstitute.org/gatk/documentation/article?id=11005
很多时候，文件介绍官网其实说得很详细，还有例子讲解，但是大家貌似都不热爱看官网说明啊。
1，简介
VCF文件主要是一种用于记录variants(SNP/InDel)的文件格式:
VCF三个字的全称：VCF stands for Variant Call Format
VCF is the primary (and only well-supported) format used by the GATK for variant calls。是GATK软件的主要输出结果文件格式
VCF files are plain text files。是普通文本文件。
2，结构
VCF文件包括包括文件头，以"#"开头的注释部分，和没有"#"开头的用于描述变异检测结果的主体部分。
例子：
物种，使用基因组版本，对变异检测的定性和定量参数，使用GATK生成vcf文件的命令，并且表头的信息展示是排序的
VCF格式版本
FILTER参数告诉你数据作了一些什么过滤
FORMAT参数，对变异检测结果的FORMAT列的具体解释
GATKCommandLine 使用GATK时运行的所有参数
INFO lines
Mutect软件版本
Contig lines and Reference 包含contig 名字，长度
其余信息，有实验组样本名，对照组样本名，过滤状态，软件名称
主要有9列+样本信息（可以是多个样本的变异检测结果），十列分别代表的含义：
1 | CHROM | 参考序列名称 |
2 | POS | Variant坐在的left-most位置，即1-base position |
3 | ID | variant的ID，同时对应着dbSNP数据库中的ID，若没有，使用默认的"." |
4 | REF | 参考序列的Allele |
5 | ALT | Variants的Allele |
6 | QUAL | Variants的的质量。Phred格式的数值，代表此位点是纯合的概率。值越大，概率越低，此位点是variants的可能性越大 |
7 | FILTER | 此位点是否要被过滤掉。PASS表示此位点为Variant |
8 | INFO | Variant的相关信息 |
9 | FORMAT | Variants的格式：比如GT:AD:DP:GQ:PL |
10 | SAMPLEs | 每个Sample的值，由BAM文件中的@RG下的SM标签所决定。这些值对应这第九列的各个格式。不同格式的值用冒号分开。每一个Sample对应这1列；多个Sample对应这多列，这种情况下VCF的列数就会多余10列 |
我们重点说明第八列和第九列信息
1，第八列，INFO列
信息很多，都是以“TAG=Value”并使用分号分隔的形式。其中很多的注释信息在VCF的头部注释中就给出了英文释义。
我们挑出其中常用的TAG进行说明：
AC | 全称Allele Count，表示基因型为与variant一致的Allele的数目 |
AN | 全称Allele Number，表示Allele的总数目 |
AF | 全称Allele Frequency，表示Allele的频率，AF=AC值/AN值 |
DP | Reads覆盖度，是一些reads被过滤后的覆盖度 |
FS | 全称FisherStrand，表示使用Fisher精确检验来检测strand，bias而得到的Fhred格式p值。该值越小越好，越大表示strand,bias越严重，即检测的variants位点上，reads比对到正负义链上的比例不均衡。一般进行filter的时候，推荐保留FS<10~20的位点。 |
Dels | Fraction of Reads Containg Spanning Deletions。进行SNP和INDEL calling的结果中，有此TAG并且为0表示为SNP位点，没有则为INDEL。 |
2，第九列，FORMAT列
是基因型信息的多个标签。，以“；”号分割，值对应与后面跟着的样本信息列。同样用“；”号分割。
GT | 全称genotype，两个数字用“/”分开，这两个数字表示双倍体的sample的基因型。0表示样本中参考基因组(ref)的等位allele，1表示样本中变异(variant)的等位；2表示有第二个变异的等位。因此，0/0表示样本中该位点为纯和的，和参考基因组一样；0/1表示样本中该位点为杂合的，有ref和variant两个基因型；1/1为纯和，和variant一致。 |
AD | 全称AlleleDepth，表示样本中每一种allele的reads覆盖度，在diploid中则是用“，”分割的两个值，前者对应ref基因型，后者对应variant基因型 |
DP | Approximate read depth，为样本中该位点的覆盖度 |
GQ | Genotype Quality，基因型的质量值。表示该位点该基因型存在的可能性，值越大，则Genotype的可能性越大，Phred值=-10*log(1-p)，p为基因型存在的概率 |
PL | Normalized, Phred-scaled likelihoods for genotypes as defined in the VCF specification，指定的三种基因型的质量值，三种基因型为0/0，0/1,1/1，这三种基因型的概率总和为1。该值越大，表明为该基因型的可能性越小。Phred值=-10*log(p)，p为基因型存在的概率 |
