VCF文件格式说明

1. 什么是VCF

CVF是用于描述SNP，INDEL和SV结果的文本文件。在GATK软件中得到最好的支持，当然SAMtools得到的结果也是CVF格式，和GATK的CVF格式有点差别。

2. VCF的主体结构

VCF文件分为两部分内容：以“#”开头的注释部分；没有“#”开头的主体部分。

去掉了头部的注释行，只留下了代表每一行意义的注释行。

主体部分中每一行代表一个Variant的信息。

CHROM[1] POS[2] ID[3] REF[4] ALT[5] QUAL[6] FILTER[7] INFO[8] FORMAT[9] R01[10]

3. Variation

CHROM[1] 和 POS[2]：代表参考序列名和variant的位置；如果是INDEL的话，位置是INDEL的第一个碱基位置。

ID[3]：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[4] 和 ALT[5]：参考序列的碱基和 Variant的碱基。

QUAL[6]：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[7]：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[8]： 这一行是variant的详细信息，内容很多，以下再具体详述。

FORMAT[9] 和 R01[10]：这两行合起来提供了’R01(某个基因名)′这个sample的基因型的信息。’NA12878′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。

4. 基因型信息{ 即FORMAT[9] 和 R01[10]}

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。

5. VCF第8列的信息

该列信息最多了，都是以 “TAG=Value”,并使用”;”分隔的形式。其中很多的注释信息在VCF文件的头部注释中给出。以下是这些TAG的解释：

AC，AF 和 AN：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。

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SNP，没有则为INDEL。

FS：使用Fisher’s精确检验来检测strand bias而得到的Fhred格式的p值。该值越小越好。一般进行filter的时候，可以设置 FS < 10～20。

HaplotypeScore：Consistency of the site with at most two segregating haplotypes.

​ 最多有2个分离的单倍型的一致性。

InbreedingCoeff：Inbreeding coefficient as estimated from the genotype likelihoods per-sample when compared against the Hard-Weinberg expectation.

​ 与哈代温伯格的期望相比，近亲繁殖估计每个样品基因型的可能性。

MLEAC：Maximum likelihood expectation (MLE) for the allele counts (not necessarily the same as the AC), for each ALT allele, in the same order as listed.

​ 对于等位基因计数（不一定与AC相同），每个ALT 等位基因的最大似然估计，在相同的顺序被列出。

MLEAF：Maximum likelihood expectation (MLE) for the allele frequency (not necessarily the same as the AF), for each ALT alle in the same order as listed.

​ 对于等位基因频率（不一定与AF相同），每个ALT 等位基因的最大似然期望，在相同的顺序被列出。

MQ：RMS Mapping Quality.

​ RMS Mapping质量。

MQ0：Total Mapping Quality Zero Reads.

​ 总的Mapping 质量 零Reads 。

MQRankSum：Z-score From Wilcoxon rank sum test of Alt vs. Ref read mapping qualities.

​ 对Alt vs 的Wilcoxon秩和检验的z 分数。参考片段映射质量。

QD：Variant Confidence/Quality by Depth.

​ Variant 通过深度的可信度和质量。

RPA：Number of times tandem repeat unit is repeated, for each allele (including reference).

​ 对于每个等位基因（包括参考），大量的串联重复序列单位被重复。

RU：Tandem repeat unit (bases).

​ 串联重复序列单元（基础）。

ReadPosRankSum：Z-score from Wilcoxon rank sum test of Alt vs. Ref read position bias.

​ 对Alt vs 的Wilcoxon秩和检验的z 分数。参考片段位置偏差。

STR：Variant is a short tandem repeat.

​ Variant是一个短的串联重复。