【直播】我的基因组28-必须要理解vcf格式记录的变异位点信息
根据前面的讲解我们也对NGS数据分析基本的数据格式和数据流有了一个基本的理解了，不管是fasta、fastq、sam、bam、vcf、gtf 以及 biom 等格式都是具有相对标准的数据组织形式的，含有特定的信息。其中vcf就是一个尤为重要的基本数据格式，里面描述的是变异位点的信息，是一个表格形式，不同的表头下面有着不同的信息。
VCF格式本来由千人基因组计划提出来，方便描述他们找到的海量(当时是海量)变异位点。本质上也是个文本文件而已，普通编辑器打开即可。但是它对每一行每一列有具体的定义，包括文件最前面一些#开头的注释信息(这个非常重要，后面每一个位点的描述的tag都在这个注释信息里面可以找到)
详细说明可查看
1.完整地看一下vcf的头文件部分
vcf的文件表头是很长的，我们先完整地来看一遍vcf文件的head
##fileformat 首先是VCF文件的版本，该文件是GATK跑出的结果。所以此处展示的是使用GATK跑出来的数据，显示的是4.1版本。
##FILTER下面是过滤的信息，这里显示这个文件已经进行过了过滤，低质量的SNV/indel被标记上了"lowqual"。
##FORMAT 下面是，几个标记的解释,分别是：AD、DP、GQ、GT、PL的含义。
##GATKCommandLine 就是你在跑软件的时候使用的那些命令，此处略过，那些命令还是很长的。
##INFO是一些ID的信息 AC、AF、AN等，此处的#INFO的ID可以很多，后面都有解释。
vcf格式的文件内容还挺多的 ，文件头是对文件情况的一个描述和正文中一些ID的解释，他们是如何对应的？下面就让我们看一下正文的内容。
2.vcf文件的正文部分
vcf的正文部分，必须要有的是前面8列，一般来说可以有10列，分别是：
#CHROM
POS
ID
REF
ALT
QUAL
FILTER [来自于##FILTER]
INFO
FORMAT
可能会有样本的名称本
CHROM 和 POS：参考序列名和variant的位置；如果是INDEL的话，位置是INDEL的第一个碱基位置。
ID：variant的ID。比如在dbSNP中有该SNP的id，则会在此行给出；若没有，则用’."表示其为一个novel variant。
REF 和 ALT：参考序列的碱基 和 Variant的碱基。
QUAL：Phred格式(Phred_scaled)的质量值，表 示在该位点存在variant的可能性；该值越高，则variant的可能性越大；计算方法：Phred值 = -10 * log (1-p) p为variant存在的概率; 通过计算公式可以看出值为10的表示错误概率为0.1，该位点为variant的概率为90%。
FILTER：使用上一个QUAL值来进行过滤的话，是不够的。GATK能使用其它的方法来进行过滤，过滤结果中通过则该值为”PASS”;若variant不可靠，则该项不为”PASS”或”.”。
INFO：这一行是variant的详细信息，内容很多，以下再具体详述。
FORMAT 和 TTG11B：这两行合起来提供了’TTG11B′这个sample的基因型的信息。’TTG11B′代表这该名称的样品，是由BAM文件中的@RG下的 SM 标签决定的。
前面7列都很简单，顾名思义，分别就是该变异位点位于参考基因组的哪条染色体，哪个位置，是否被一下数据库给标记了ID(通常说的是dbSNP)，该位置的参考基因组是什么碱基，这个变异位点变异成了什么碱基。找到这个变异的软件给它的质量值是多少，是否合格。下面这个表格里面我们可以看到第十列就是'realign'，可以看到比对时候@RG留下来的sam的样本名称，就可以知道这个vcf是经过realign的那个bam里面call出来的突变。
vcf只学七列是远远不够的，我们有必要下功夫把较为复杂的第8列和第9列的内容好好学习一下！
第8列 INFO 就非常复杂了，该列信息最多了，看起来是一列，但是里面可以无限包容，可以根据字段拆分成多列，都是以 “TAG=Value”,并使用”;”分隔的形式。其中很多的TAG含义在VCF文件的头部注释信息##INFO中已给出。
通常我们熟悉的tag有：
AC，AF 和，AN[A开头的多和等位基因有关]：
AC(Allele Count) 表示该Allele的数目；
AF(Allele Frequency) 表示Allele的频率；
AN(Allele Number) 表示Allele的总数目。
对于1个diploid sample[二倍体样本]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。
DP：reads覆盖度。是一些reads被过滤掉后的覆盖度。[注意，第八列和第九列都有DP，都表示该位点覆盖深度的信息，但是详细意义可能是不同的大家可以探究一下，在head里面就可以找到相应信息]
Dels：Fraction of Reads Containing Spanning Deletions。进行SNP和INDEL calling的结果中，有该TAG并且值为0表示该位点为SNV，没有则为INDEL。[这个值很重要，可以根据这个tag分离indel和snv]
如果你觉得call变异的软件默认给出的tag不符合你的要求，你可以继续用其它软件在该列里面不停的增加tag，我见过给该列直接添加到180个tag的，我们后面主要讲如何来添加tag。
有了这8列，已经是标准的vcf文件了，但是大家肯定会奇怪，还没有关于这个位点的基因型，测序深度的描述的信息。
这就是属于后面的第9列FORMAT规定的了，如果有多个样本，就会按照第九列的格式不停的增加下去。
第九列可以是GT,DP,FT,GL,PL,GP等等，都可以在该vcf文件的表头里面找到关于它们的解释。前面所讲的 ##FORMAT 表头部分 便是对第九列的解释
第九列相对于第八列来说没有那么复杂的信息，数据格式是比较固定的，其中包含的信息也很重要，主要是某一个特定位点基因型，测序深度的描述，因此有必要弄清楚。
第9列数据，包含两列内容，两列内容是对应的，前者为格式，后者为格式对应的数据。
GT：样品的基因型（genotype）。两个数字中间用’/"分 开，这两个数字表示双倍体的sample的基因型。0 表示样品中有ref的allele； 1 表示样品中variant的allele； 2表示有第二个variant的allele。因此： 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。
AD 和 DP：AD(Allele Depth)为sample中每一种allele的reads覆盖度,在diploid中则是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； DP（Depth）为sample中该位点的覆盖度。
GQ：基因型的质量值(Genotype Quality)。Phred格式(Phred_scaled)的质量值，表示在该位点该基因型存在的可能性；该值越高，则Genotype的可能性越 大；计算方法：Phred值 = -10 * log (1-p) p为基因型存在的概率。
PL：指定的三种基因型的质量值(provieds the likelihoods of the given genotypes)。这三种指定的基因型为(0/0,0/1,1/1)，这三种基因型的概率总和为1。和之前不一致，该值越大，表明为该种基因型的可能 性越小。 Phred值 = -10 * log (p) p为基因型存在的概率。
最需要理解的就是DP4和GT了：
第十列的话就是样本的信息 可以在比对的时候使用@RG来做一个标记
vcf格式记录变异位点的信息大该就讲到了这里，有什么不清楚的地方留言讨论哦！
文：Jimmy、阿尔的太阳
图文编辑：吃瓜群众