https://blog.csdn.net/genome_denovo/article/details/78697679
第二章：生物信息分析
第一節(jié)：解讀vcf格式文件
1，vcf格式說明
VCF格式：Variant Call Format，用于記錄variants (SNP / InDel)的文件格式，關(guān)于其說明，詳見：http://gatkforums.broadinstitute.org/discussion/1268/how-should-i-interpret-vcf-files-produced-by-the-gatk
VCF是用于描述SNP，InDel和SV結(jié)果的文本文件。VCF格式在GATK軟件中得到很好的支持。
2，vcf文件結(jié)構(gòu)
VCF文件分為兩部分內(nèi)容：以“#”開頭的注釋部分和沒有“#”開頭的主體部分。（注釋部分和主題部分）；注釋部分有很多對(duì)VCF的介紹信息；主體部分包含10列數(shù)據(jù)。主題部分每一行代表一個(gè)variant的信息。
主體部分10列的范例：
chrM 150 . T C 7766.77 PASS AC=2;AF=1.00;AN=2;DP=199;ExcessHet=3.0103;FS=0.000;MLEAC=2;MLEAF=1.00;MQ=49.78;QD=32.91;SOR=0.904 GT:AD:DP:GQ:PL 1/1:0,175:175:99:7795,531,0
3，主體部分的10列分別代表的意義
CHROM ： 參考序列名稱
POS ： variant所在的left-most位置(1-base position)（發(fā)生變異的位置的第一個(gè)堿基所在的位置）
ID ： variant的ID。同時(shí)對(duì)應(yīng)著dbSNP數(shù)據(jù)庫(kù)中的ID，若沒有，則默認(rèn)使用‘.’
REF ： 參考序列的Allele，（等位堿基，即參考序列該位置的堿基類型及堿基數(shù)量）
ALT ： variant的Allele，若有多個(gè)，則使用逗號(hào)分隔，（變異所支持的堿基類型及堿基數(shù)量）這里的堿基類型和堿基數(shù)量，對(duì)于SNP來說是單個(gè)堿基類型的編號(hào)，而對(duì)于Indel來說是指堿基個(gè)數(shù)的添加或缺失，以及堿基類型的變化
QUAL ： variants的質(zhì)量。Phred格式的數(shù)值，代表著此位點(diǎn)是純合的概率，此值越大，則概率越低，代表著次位點(diǎn)是variants的可能性越大。（表示變異堿基的可能性）
FILTER ： 次位點(diǎn)是否要被過濾掉。如果是PASS，則表示此位點(diǎn)可以考慮為variant。
INFO ： variant的相關(guān)信息
FORMAT ： variants的格式，例如GT:AD:DP:GQ:PL
SAMPLES ： 各個(gè)Sample的值，由BAM文件中的@RG下的SM標(biāo)簽所決定，這些值對(duì)應(yīng)著第9列的各個(gè)格式，不同格式的值用冒號(hào)分開，每一個(gè)sample對(duì)應(yīng)著1列；多個(gè)samples則對(duì)應(yīng)著多列，這種情況下列的數(shù)多余10列。
4，vcf文件的基因型信息
VCF文件的主體部分的第9列是基因型信息的多個(gè)標(biāo)簽，這些標(biāo)簽之間以冒號(hào)分割，其對(duì)應(yīng)的值位于第10列，同樣以冒號(hào)分割，表示第一個(gè)樣品的基因型結(jié)果。若有多個(gè)樣品，則VCF文件超過10列，且第10列后的每一列表示一個(gè)樣品的基因型結(jié)果。第9列各個(gè)標(biāo)簽的意義展示如下：
GT ： genotype
樣品的基因型（genotype），兩個(gè)數(shù)字中間用‘/’分開，這兩個(gè)數(shù)字表示雙倍體的sample的基因型。0表示樣品中有ref的allele（可初步理解為和ref的堿基相同，即和REF相同）；1表示樣品中的variant的allele（可以理解為和variant變異后的堿基相同，即和ALT相同）；2表示有第二個(gè)variant的allele（和ALT的第二種堿基相同）對(duì)于SNP是指單個(gè)堿基類型相同而對(duì)于Indel是指堿基類型及個(gè)數(shù)均相同
因此根據(jù)GT的結(jié)果得出以下結(jié)論：
0/0表示sample中該位點(diǎn)為純合位點(diǎn)，和REF的堿基類型一致
0/1表示sample中該位點(diǎn)為雜合突變，有REF和ALT兩個(gè)基因型（部分堿基和REF堿基類型一致，部分堿基和ALT堿基類型一致）
1/1表示sample中該位點(diǎn)為純合突變，總體突變類型和ALT堿基類型一致
1/2表示sample中該位點(diǎn)為雜合突變，有ALT1和ALT2兩個(gè)基因型（部分和ALT1堿基類型一致，部分和ALT2堿基類型一致）
AD和DP
AD(Allele Depth)為sample中每一種allele（等位堿基）的reads覆蓋度，在diploid（二倍體，或可指代多倍型）中則是用逗號(hào)分隔的兩個(gè)值，前者對(duì)應(yīng)REF基因，后者對(duì)應(yīng)ALT基因型；
DP(Depth)為sample中該位點(diǎn)的覆蓋度，是所支持的兩個(gè)AD值（逗號(hào)前和逗號(hào)后）的加和；例如：
1/1:0,175:175—GT:AD(REF),AD(ALT):DP
0/1:79,96:175
1/2:0,20,56:76
這里的三種類型對(duì)應(yīng)的DP值均是其對(duì)應(yīng)的AD值的加和，1/1的175是0+175，0/1的175是79+96，1/2的76是0+20+56
GQ（基因型存在的概率）
基因型的質(zhì)量值（Genotype Quality）。Phred格式（Phred_scaled）的質(zhì)量值，表示在該位點(diǎn)該基因型存在的可能性；該值越高，則Genotype的可能性越大；計(jì)算方法：Phred值=-10*log(1-P)，P為基因型存在的概率。（一般在final.snp.vcf文件中，該值為99，為99時(shí)，其可能性最大）
PL（likelihood genotypes）
指定的三種基因型的質(zhì)量值（provieds the likelihoods of the given genotypes）；這三種指定的基因型為（0/0，0/1，1/1），這三種基因型的概率總和為1。該值越大，表明為該種基因型的可能性越小。Phred值=-10*log(P)，P為基因型存在的概率。最有可能的genotype的值為0。
例如：
0/1:889,0,216
0/1:94,0,940
1/1:269,18,0
1/1:580,54,0
1/2:3365,1522,1357,1842,0,1706
1/2:307,190,178,117,0,104
（0/0型3個(gè)數(shù)字，第一個(gè)為0
0/1型3個(gè)數(shù)字，中間為0
1/1型3個(gè)數(shù)字，最后一個(gè)為0
1/2型6個(gè)數(shù)字，倒數(shù)第二個(gè)為0）
5，vcf文件第8列信息
第8列的信息包括18種，都是以“TAG=Value”，并使用分號(hào)分隔的形式，其中很多的注釋信息在VCF文件的頭部注釋中給出，下面對(duì)常用的TAG進(jìn)行解釋：
AC，AF和AN
AC（Allele Count）表示基因型為與variant一致的Allele（等位堿基）的數(shù)目；AF（Allele Frequency）表示Allele的頻率，AF值=AC值/AN值；AN（Allele Number）表示Allele的總數(shù)目。比如：對(duì)2個(gè)sample的雙倍體進(jìn)行測(cè)序，則AN值為4。若REF上位點(diǎn)堿基為A，而2個(gè)sample在該位點(diǎn)分別為A/T和T/G，則AC值為2，1；AF值為0.50，0.25。AC：variant數(shù)目，AF：頻率，AN：總數(shù)目
DP（reads覆蓋度）
表示reads被過濾后的覆蓋度
FS
FisherStrand的縮寫，表示使用Fisher’s精確檢驗(yàn)來檢測(cè)strand bias而得到的Fhred格式的p值，該值越小越好；如果該值較大，表示strand bias（正負(fù)鏈偏移）越嚴(yán)重，即所檢測(cè)到的variants位點(diǎn)上，reads比對(duì)到正負(fù)義鏈上的比例不均衡。一般進(jìn)行filter的時(shí)候，推薦保留FS<10~20的variants位點(diǎn)。GATK可設(shè)定FS參數(shù)。
ReadPosRandSum
Z-score from Wilcoxon rank sum test of Alt vs. Ref read position bias.當(dāng)variants出現(xiàn)在reads尾部的時(shí)候，其結(jié)果可能不準(zhǔn)確。該值用于衡量alternative allele（變異的等位基因）相比于reference allele（參考基因組等位基因），其variant位點(diǎn)是否匹配到reads更靠中部的位置。因此只有基因型是雜合且有一個(gè)allele和參考基因組一致的時(shí)候，才能計(jì)算該值。若該值為正值，表明和alternative allele相當(dāng)于reference allele，落來reads更靠中部的位置；若該值是負(fù)值，則表示alternative allele相比于reference allele落在reads更靠尾部的位置。
進(jìn)行filter的之后，推薦保留ReadPosRankSum>-1.65~-3.0的variant位點(diǎn)
MQRankSum
該值用于衡量alternative allele上reads的mapping quality與reference allele上reads的mapping quality的差異。若該值是負(fù)數(shù)值，則表明alternative allele比reference allele的reads mapping quality差。進(jìn)行filter的時(shí)候，推薦保留MQRankSum>-1.65~-3.0的variant位點(diǎn)。
---------------------
作者：genome_denovo
來源：CSDN
原文：https://blog.csdn.net/genome_denovo/article/details/78697679
版權(quán)聲明：本文為博主原創(chuàng)文章，轉(zhuǎn)載請(qǐng)附上博文鏈接！
