vcf格式简介

1）背景

伴随着大规模的基因分型及测序工程的产生(例如1000 Genomes Project),之前的信息贮存格式例如gff文件它记录了每一个基因的详细信息，其中许多基因信息在基因组之间是共享的，而我们需要记录的仅仅是不同基因组之间变异的地方，因此这些格式会显得格外冗余。这就迫切需要一种新的格式来记录高效的记录这些变异信息。VCF(Variant Call Format)就是这样一种用来贮存基因序列变异信息的文本文件(通常是压缩格式)。

2）VCF格式简介

VCF 格式文件包含有2部分：1) header section,元信息(meta-information)，以‘##’为前缀，通常包含fileformat、fileDate、reference等信息，头行信息( header line )，以‘#’为前缀；2) data section,该部分为主题部分，记录了每个样品每个位点处的基因分型信息。

主题部分每列的含义：

1）CHROM - chromosome:参考基因组标识。
2）POS - position:变异位点相对于参考基因组所在的位置(1-based)。在每个染色体内，按照数字位置升序排列。
3）ID - identifier: 如果是dbSNP variant则需要给出相应的rs 号，若不是，则默认使用‘.’
4）REF - reference base(s): 参考序列碱基，必须是 A,C,G,T,N其中的一种。
5) ALT - alternate base(s): 表示variant的Allele，若有多个，则使用逗号分隔，（变异所支持的碱基类型及碱基数量）这里的碱基类型和碱基数量，对于SNP来说是单个碱基类型的编号，而对于Indel来说是指碱基个数的添加或缺失，以及碱基类型的变化
6）QUAL - quality:表示 Phred质量值，用来表示 ALT的可靠性
7）FILTER - filter status:表示是否通过过滤。PASS表示该位点通过过滤，否则表示没有通过。例如，q10表示质量值低于10
8）INFO - additional information:表示的是变异描述信息。包括18种，都是以<key>=[,data]格式，并使用分号分隔的形式，其中很多的注释信息在VCF文件的头部注释中给出。

AA :ancestral allele    AC  :allele count in genotypes, for each ALT allele, in the same order as listed    AF  :allele frequency for each ALT allele in the same order as listed: use this when  estimated from primary data, not called genotypes AN  :total number of alleles in called genotypes    BQ  :RMS base quality at this position  CIGAR :cigar string describing how to align an alternate allele to the reference alleleDB  :dbSNP membership   DP  :combined depth across samples, e.g. DP=154 END :end position of the variant described in this record H2  :membership in hapmap2  H3  :membership in hapmap3  MQ  :RMS mapping quality, e.g. MQ=52    MQ0 :Number of MAPQ == 0 reads covering this record NS  :Number of samples with data    SB  :strand bias at this position   SOMATIC :indicates that the record is a somatic mutation, for cancer genomics   VALIDATED :validated by follow-up experiment    1000G :membership in 1000 Genomes

9）FORMAT:可选的扩展，例如GT:AD:DP:GQ:PL。该部分是主体部分，表示基因型信息的多个标签，这些标签之间以冒号分割，其对应的值位于第10列，同样以冒号分割，表示第一个样品的基因型结果
10）SAMPLES:表示样本信息，各个Sample的值，由BAM文件中的@RG下的SM标签所决定，这些值对应着第9列的各个格式，不同格式的值用冒号分开，每一个sample对应着1列；多个samples则对应着多列，这种情况下列的数多余10列。

3）vcftools的下载与简单应用

vcftools 则是一款非常优秀的工具来处理vcf 文件，可以用来对vcf文件进行解析、分析、操作。vcftools大致可以被分为两个模块：1）Perl API，该模块主要是可以对vcf文件进行多种操作，包括合并，比较，取交并集，及简单的统计  2）第二个模块包含C++可执行程序，用来分析vcf文件中的SNP数据，可以用来估计等位基因频率，连锁不平衡，质量控制等分析。

1）下载https://github.com/vcftools/vcftools2）tar zxvf  vcftools-vcftools-v0.1.16-0-g93ec375.tar.gz3）./configure --help4）./configure5）make6）make install

下面会给出三个简单的例子：

1）比较两个文件共享变异位点
 vcftools --vcf input_data.vcf --diff other_data.vcf --out compare
2）计算等位基因频率
vcftools --vcf cohort.intersect.vcf --freq --out output
3）统计测序深度
vcftools --vcf input_data.vcf --depth  -c >output

4）参考资源

The Variant Call Format Specification，VCFv4.3 and BCFv2.2
The variant call format and VCFtools
https://en.wikipedia.org/wiki/Variant_Call_Format
http://www.cnblogs.com/emanlee/p/4562064.html
https://gatkforums.broadinstitute.org/gatk/discussion/1268/how-should-i-interpret-vcf-files-produced-by-the-gatk