基因序列变异信息VCF (Variant Call Format)

2023-05-23 08:59:31 浏览数 (1)

VCF是Variant Call Format的简称，是一种定义的专门用于存储基因序列突变信息的文本格式。在生物信息分析中会大量用到VCF格式。例如基因组中的单碱基突变,SNP， 插入/缺失INDEL, 拷贝数变异CNV，和结构变异SV等，都是利用VCF格式来存储的。将其存储为二进制格式就是BCF。

VCF文件包括了两部分

第一部分是#开头的注释行称为header

包括版本信息，物种，生成这个文件所使用的命令，参考基因组信息等。

第二部分是以TAB分割的列称为records，前7列必须存在，可以用.表示空值

第1列：CHROM

chromosome；染色体名称或contig名称；

第2列：POS

position；参考基因组突变碱基位置，如果是INDEL，位置是INDEL的第一个碱基位置；

第3列：ID

dentifier； 突变的名称，比如dbSNP的名字

第4列：REF

reference base(s)；参考染色体的碱基

第5列：ALT

alternate base(s； 与参考序列比较，发生突变的碱基，可以有多个值，每个值用逗号分隔

第6列：QUAL

quality；Phred标准下的质量值，表示该变异位点的可靠性，可以理解为所call出来的变异位点的质量值。Q=-10lgP，Q表示质量值；P表示这个位点发生错误的概率。因此，如果想把错误率从控制在90%以上，P的阈值就是1/10，那lg（1/10）=-1，Q=（-10）*（-1）=10。同理，当Q=20时，错误率就控制在了0.01。

第7列：FILTER

filter status；使用其它的方法进行过滤后得到的过滤结果，可以是 PASS 或 FAIL或者空值用.表示没有经过过滤

第8列：INFO

用于存储附加信息，例如变异类型、覆盖深度、突变频率等

比如MQ=99.00;MQ0=0;QD=17.94表示这个指标的值

第9列：FORMAT

表示各个样本的值的名字

代码语言：Python复制
GT:AD:DP:GQ:PL
  • GT （GeneType）基因型，代表此样本在此位点携带的两个等位基因，主要分为一下几种情况：

0/0 ：纯合; REF一致undefined0/1 ：杂合; 一个ALT一个REF

1/1 ：纯合; 两个都是ALT

  • AD ：覆盖到REF和ALT的碱基reads数、及测序深度，使用, ” 隔开 (REF,ALT)
  • DP(Read Depth) ：覆盖到这个位点的总reads数，及AD中的两数之和
  • GQ ：最可能GT的质量值
  • PL： 对应3个以逗号隔开的值，GT的似然值（L）

0/0，0/1，1/1基因型，这三种的概率之和为1 L值越小，这个基因型的概率则越大，当L=0时，概率为1

P = 10^ (-L/10)

理想的情况下是三个值中1个很小，其他两个很大

第10列以后：样本名

每列是一个样本对应于第9列中的值，用:分割，当有多个值时用,分割

举个例子

CHROM=chr1：一号染色体

POS=13649：13649处

REF=G：参考基因组上13649处的碱基为G

ALT=C：所有样本中基因组上13649处可能发生的突变为C，有的样本突变，有的样本没有突变

QUAL=54.75：质量较高，错误率较低、

FILTER=.：没有过滤

INFO=...：GATK得出的一些分数可以用于过滤

对于SRR24302402样本

GT=0/1：基因型为G/C

AD=12,4：覆盖到REF的reads数为12，覆盖到ALT的reads数为4

DP=16：覆盖到13649位点的reads数为16=12 4

GQ=64：GT=0/1（即基因型为G/C）时的质量值为64

PL=64,0,281：最有可能的GT是0/1（即基因型为G/C），对应PL值为0，概率为1

代码语言：Python复制
#CHROM  POS     ID      REF     ALT     QUAL    FILTER  INFO    FORMAT  SRR24302402     SRR24302403     SRR24302404     SRR24302405
chr1    13649   .       G       C       54.75   .       AC=1;AF=0.125;AN=8;BaseQRankSum=3.28;DP=69;ExcessHet=0.0000;FS=0.000;MLEAC=1;MLEAF=0.125;MQ=22.78;MQRankSum=1.19;QD=3.42;ReadPosRankSum=-3.040e-01;SOR=0.138          GT:AD:DP:GQ:PL  0/1:12,4:16:64:64,0,281 0/0:15,0:15:45:0,45,606 0/0:20,0:20:60:0,60,774 0/0:17,0:17:51:0,51,679

Reference

代码语言：Python复制
https://gatk.broadinstitute.org/hc/en-us/articles/360035531692-VCF-Variant-Call-Format
https://genome.ucsc.edu/FAQ/FAQformat.html
https://ngdc.cncb.ac.cn/gsa-human/browse/HRA001232
https://www.cnblogs.com/daimakun/p/5056813.html
生物基因

0 人点赞