WGS数据分析 || VCF文件格式
2019-10-09 本文已影响0人
Dawn_WangTP
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=<ID=20,length=62435964,assembly=B36,md5=f126cdf8a6e0c7f379d618ff66beb2da,species="Homo sapiens",taxonomy=x>
##phasing=partial
##INFO=<ID=NS,Number=1,Type=Integer,Description="Number of Samples With Data">
##INFO=<ID=DP,Number=1,Type=Integer,Description="Total Depth">
##INFO=<ID=AF,Number=A,Type=Float,Description="Allele Frequency">
##INFO=<ID=AA,Number=1,Type=String,Description="Ancestral Allele">
##INFO=<ID=DB,Number=0,Type=Flag,Description="dbSNP membership, build 129">
##INFO=<ID=H2,Number=0,Type=Flag,Description="HapMap2 membership">
##FILTER=<ID=q10,Description="Quality below 10">
##FILTER=<ID=s50,Description="Less than 50% of samples have data">
##FORMAT=<ID=GT,Number=1,Type=String,Description="Genotype">
##FORMAT=<ID=GQ,Number=1,Type=Integer,Description="Genotype Quality">
##FORMAT=<ID=DP,Number=1,Type=Integer,Description="Read Depth">
##FORMAT=<ID=HQ,Number=2,Type=Integer,Description="Haplotype Quality">
#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：
- CHROM：参考序列名
- POS：Variant在参考序列上的坐标，1-based，左起。
- 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。 - REF：参考序列上的allele。
- ALT：Variant上的对应allele，多个中间,隔开。
- QUAL：Phred值表示的Variants质量。
- FILTER：位点是否需要被过滤。PASS表示通过过滤指标，可能是Variant
- INFO：Variant各个相关信息，包含VQSR过滤中的各个指标。
- FORMAT：Variant的各种格式，以:分开，与第10+列联系着看。
- 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。
