图文详解 VCF 生信格式 (变异信息)

news/2024/7/5 8:46:18 标签: 生物信息, 结构变异, VCF

文章目录

  • 一、vcf 格式介绍
  • 二、vcf 资源文件
  • 三、vcf 文件详解
    • 3.1 主要字段
    • 3.2 INFO 中的常见信息
    • 3.3 FORMAT 和 SAMPLEs 中的信息
  • 四、vcf 的记录模式
    • 4.1 只记录变异本身的信息
    • 4.2 记录个体或个体组织的变异信息
    • 4.3 记录群体或家系的变异信息
  • 五、记录标准
    • 5.1 记录多核苷酸多样性 （multi nucleotide polymorphism，MNP）
    • 5.2 记录缺失或插入 （INDEL）
    • 5.3 记录结构变异 （SV）
  • 六、举例说明

一、vcf 格式介绍

vcf （Variant Call Format）是一种用于存储基因组序列中的变异信息

  • 一般用在 单核苷酸变异（SNV），小片段插入缺失（INDEL）等

  • 也用于 拷贝数变异（CNV），SV（结构变异）等

  • SNV：参考基因组在1号染色体7845190为 C，但检测样本在同样位置为 A

  • INDEL：包含插入和缺失两种

    • Insertion：参考基因组某片段为 ACTTG，但是检测样本同样位置为 ACCCTTG，插入了CC
    • Deletion：参考基因组某片段为 TTCGG，但是检测样本同样位置为 TTGG，缺失 C

二、vcf 资源文件

这里的示例文件来自 1000 Genomes 计划，数据主要为不同地区人类变异数据。

数据来源：https://www.internationalgenome.org/

数据下载：https://s3.amazonaws.com/1000genomes/release/20130502/ALL.wgs.phase3_shapeit2_mvncall_integrated_v5b.20130502.sites.vcf.gz

或者https://ftp.1000genomes.ebi.ac.uk//vol1/ftp/technical/reference/phase2_reference_assembly_sequence/hs37d5.fa.gz

数据示例

#CHROM	POS	ID	REF	ALT	QUAL	FILTER	INFO
1	10177	rs367896724	A	AC	100	PASS	AC=2130;AF=0.425319;AN=5008;NS=2504;DP=103152;EAS_AF=0.3363;AMR_AF=0.3602;AFR_AF=0.4909;EUR_AF=0.4056;SAS_AF=0.4949;AA=|||unknown(NO_COVERAGE);VT=INDEL
1	10235	rs540431307	T	TA	100	PASS	AC=6;AF=0.00119808;AN=5008;NS=2504;DP=78015;EAS_AF=0;AMR_AF=0.0014;AFR_AF=0;EUR_AF=0;SAS_AF=0.0051;AA=|||unknown(NO_COVERAGE);VT=INDEL
1	10352	rs555500075	T	TA	100	PASS	AC=2191;AF=0.4375;AN=5008;NS=2504;DP=88915;EAS_AF=0.4306;AMR_AF=0.4107;AFR_AF=0.4788;EUR_AF=0.4264;SAS_AF=0.4192;AA=|||unknown(NO_COVERAGE);VT=INDEL
1	10505	rs548419688	A	T	100	PASS	AC=1;AF=0.000199681;AN=5008;NS=2504;DP=9632;EAS_AF=0;AMR_AF=0;AFR_AF=0.0008;EUR_AF=0;SAS_AF=0;AA=.|||;VT=SNP
1	10506	rs568405545	C	G	100	PASS	AC=1;AF=0.000199681;AN=5008;NS=2504;DP=9676;EAS_AF=0;AMR_AF=0;AFR_AF=0.0008;EUR_AF=0;SAS_AF=0;AA=.|||;VT=SNP
1	10511	rs534229142	G	A	100	PASS	AC=1;AF=0.000199681;AN=5008;NS=2504;DP=9869;EAS_AF=0;AMR_AF=0.0014;AFR_AF=0;EUR_AF=0;SAS_AF=0;AA=.|||;VT=SNP
1	10539	rs537182016	C	A	100	PASS	AC=3;AF=0.000599042;AN=5008;NS=2504;DP=9203;EAS_AF=0;AMR_AF=0.0014;AFR_AF=0;EUR_AF=0.001;SAS_AF=0.001;AA=.|||;VT=SNP
1	10542	rs572818783	C	T	100	PASS	AC=1;AF=0.000199681;AN=5008;NS=2504;DP=9007;EAS_AF=0.001;AMR_AF=0;AFR_AF=0;EUR_AF=0;SAS_AF=0;AA=.|||;VT=SNP
1	10579	rs538322974	C	A	100	PASS	AC=1;AF=0.000199681;AN=5008;NS=2504;DP=5502;EAS_AF=0;AMR_AF=0;AFR_AF=0.0008;EUR_AF=0;SAS_AF=0;AA=.|||;VT=SNP
1	10616	rs376342519	CCGCCGTTGCAAAGGCGCGCCG	C	100	PASS	AC=4973;AF=0.993011;AN=5008;NS=2504;DP=2365;EAS_AF=0.9911;AMR_AF=0.9957;AFR_AF=0.9894;EUR_AF=0.994;SAS_AF=0.9969;VT=INDEL
1	10642	rs558604819	G	A	100	PASS	AC=21;AF=0.00419329;AN=5008;NS=2504;DP=1360;EAS_AF=0.003;AMR_AF=0.0014;AFR_AF=0.0129;EUR_AF=0;SAS_AF=0;AA=.|||;VT=SNP
1	11008	rs575272151	C	G	100	PASS	AC=441;AF=0.0880591;AN=5008;NS=2504;DP=2232;EAS_AF=0.0367;AMR_AF=0.0965;AFR_AF=0.1346;EUR_AF=0.0885;SAS_AF=0.0716;AA=.|||;VT=SNP
1	11012	rs544419019	C	G	100	PASS	AC=441;AF=0.0880591;AN=5008;NS=2504;DP=2090;EAS_AF=0.0367;AMR_AF=0.0965;AFR_AF=0.1346;EUR_AF=0.0885;SAS_AF=0.0716;AA=.|||;VT=SNP

三、vcf 文件详解

文件一般包含两部分：

  • 注释信息（header）：位于文件开始，每行以 #开始
  • 变异信息（body）：没有 #即为记录的变异信息

3.1 主要字段

黑体字为必选字段

字段描述举例
CHROM染色体号，注意不需要前缀 chr1
POS变异位点，对于 INDEL，为 INDEL 的第一个碱基位点10616
IDdbSNP 的编号，.为置空rs376342519
REF参考基因组的碱基，也就是等位基因CCGCCGTTGCAAAGGCGCGCCG
ALT检测样本的碱基，同一位置有多个则以,分隔C
QUALPhred 的质量值，表示改位点存在变异的可能性。 分数越高则认为越可靠，但同时需要考虑测序深度，覆盖度等因素。.代表置空，不代表质量值为 0。100
FILTER过滤标志，如果为 PASS则认为是一个变异PASS
INFO详细信息，用 key=value的格式来表示。key 一般是简写，具体描述在文件开头的 header lines 中显示。AC=4973;AF=0.993011;AN=5008;VT=INDEL
FORMAT可选，变异位点格式，包括 GT，AD，DP，GQ，PL/ GT，AD，DP，GQ，PGT，PID，PL，PSGT:DP:GQ:PL
SAMPLEs可选，各个样本的值，来自 BAM 文件 @RG 的 SM 标签。一般每个样本对应一列，因此该文件会超过十列。每个样本会与 FORMAT 列的格式一一对应，不同格式用 :分隔0/1:50:99:0,20,200

3.2 INFO 中的常见信息

字段全称描述举例
AAAncestral Allele一个群体或物种的共同祖先中存在的该等位基因AA=A
ACAllele Count该变异的等位基因（ALT列）在样本集合中出现的次数。如果有多个 ALT，使用 ,分隔AC=4973
AFAlternate Allele Frequency该变异在样本集合中的频率。对于 1000 Genomes 来说，EAS_AF，AMR_AF，AFR_AF，EUR_AF， SAS_AF 分别表示东亚，美洲，非洲，欧洲，南亚人群的等位基因频率AF=0.993011
ANAllele Number该变异的等位基因总数。以二倍体生物为例，如果样本为杂合子（基因型 0/1），AN 值为 1，表示改位点只有一个等位基因发生突变。如果样本为纯合子（基因型 1/1），AN 值为 2AN=5008
DPRead Depth该变异位点测序深度，也就是改位点 reads 覆盖度DP=2365
MQMapping Quality该变异比对时，reads 的平均质量MQ=100
QDQuality by Depth该变异质量分数（QUAL）与测序深度（DP）的比值。用于评估改位点的质量。QD=0.12
VTVariant Type变异类型，一般包括 SNP，MNP，INDEL，SV 等VT=INDEL

MAF（minor allele frequency）次要等位基因频率

这个测量可以用来粗略地了解给定人群中给定SNP的基因型变异，换句话说，它告诉你这个SNP有多普遍

EAF（effect allele frequency）效应等位基因频率

它本质上是等位基因，其与疾病的关系正在被研究。因此，效应等位基因总是次要等位基因。

3.3 FORMAT 和 SAMPLEs 中的信息

字段全称描述
GTGenotype表示基因型。对于二倍体样本，用两个数字中间以 /或 `
ADAllele Depth样本中等位基因的 reads 覆盖度。对于二倍体，1000,1100用逗号分隔，前者是 REF，后者是 ALT
DPRead Depth该位点 reads 覆盖度
GQGenotype Quality基因型的质量值，表示该基因型的可能性，值越高，可能性越大。计算：Phred 值=-10log10§，p为基因型错误的概率
PLProvieds the Likelihoods of the given genotypes三种基因型的质量值，即0/0，0/1，1/1，三种基因型的概率总和为1。值越小表示是该基因型的概率越大。同样是计算 Phred 值，但是 p 为基因型存在的概率。
PGTPhased Genotype只出现在进行过相分离的样本中。表示相分离后的基因型，两个数字间使用 `
PIDPhase ID描述基因型相位的标识符。
PSPhase Set描述同一样本中基因型相位的信息。

相位化（phasing）是确定某个个体在某个基因位点所携带的等位基因来自哪个亲本的过程。

GT 字段中的 /表示基因型未相位化，表示我们不确定哪个等位基因来自父亲或母亲。

GT 字段中的 |表示基因型相位化，也就是说可以确定等位基因的来源亲本。

四、vcf 的记录模式

VCF 文件可以记录不同级别的变异信息，从单一变异到个体、组织、群体或家系的变异。

4.1 只记录变异本身的信息

通常用于描述特定变异的特征，不涉及特定个体或群体的信息。

#CHROM POS     ID        REF    ALT    QUAL FILTER INFO
1      69511   rs75062661 G      A      99    PASS   AC=1;AF=0.0002;AN=5008;NS=2504;DP=2184;EAS_AF=0;AMR_AF=0.0008;AFR_AF=0;EUR_AF=0.001;SAS_AF=0.0007;VT=SNP

4.2 记录个体或个体组织的变异信息

在VCF文件的末尾通常会有一个或多个样本列，其中每一列都代表一个个体或个体的某个组织。

#CHROM POS     ID        REF    ALT    QUAL FILTER INFO                             FORMAT          sample1
1      899282  rs123456  A      G,T    50    PASS   AC=2;AF=0.5;AN=4;NS=1;DP=100   GT:DP:GQ:PL     0/1:50:99:0,20,200

4.3 记录群体或家系的变异信息

包括多个样本的数据，可以用于群体遗传学分析。

#CHROM POS     ID         REF    ALT    QUAL FILTER INFO                             FORMAT          Person1      Person2      Person3
1      945874  rs7891011  A      G      99    PASS   AC=3;AF=0.75;AN=4;NS=3;DP=300  GT:DP:GQ:PL     0/1:100:99:0,20,200  1/1:100:99:0,0,100  0/0:100:99:0,0,0

1000 genomes 比较特殊，不同人群的等位基因频率在 INFO 中以不同的字段表示

1	10177	rs367896724	A	AC	100	PASS	AC=2130;AF=0.425319;AN=5008;NS=2504;DP=103152;EAS_AF=0.3363;AMR_AF=0.3602;AFR_AF=0.4909;EUR_AF=0.4056;SAS_AF=0.4949;AA=|||unknown(NO_COVERAGE);VT=INDEL

五、记录标准

注意，这个标准并不是 vcf 规范中要求的，但是为了后续样本合并和解读，最好遵循以下标准。

GATK 和 bcftools 都提供了相应的标准化工具。

5.1 记录多核苷酸多样性 （multi nucleotide polymorphism，MNP）

REF: GGGCATGGG
ALT: GGGTGCGGG

有下面四种表示方式：

img

左边是参考基因组（REF）和检测样本（ALT）间比较，一种颜色是一种记录方式。

右边是在 vcf 文件中的表示方式。

那么怎样用尽可能少的核苷酸表示变异，减少冗余的记录。

前三种无论在左右都包含了同样多余的信息，显然，最后一种只包含变异位点的最合适

一个 vcf 中的例子：

12	6608369	ss1388023103	CTTTCTTTCT	ATTTCTTTCT	100	PASS	AC=2;AF=0.000399361;AN=5008;NS=2504;DP=18116;EAS_AF=0;AMR_AF=0;AFR_AF=0;EUR_AF=0.002;SAS_AF=0;VT=MNP

5.2 记录缺失或插入 （INDEL）

REF: GGGCACACACAGGG
ALT: GGGCACACAGGG

img

保持所有等位位点的长度不变，而且变异位置不能再向左移动，同样是为了减少冗余的记录。

最后一种是既可以锚定缺失位点，又可以展示 deletion

在 vcf 文件中的 deletion

1	43098430	rs534335349	TC	T	100	PASS	AC=3;AF=0.000599042;AN=5008;NS=2504;DP=18120;EAS_AF=0.001;AMR_AF=0;AFR_AF=0.0015;EUR_AF=0;SAS_AF=0;AA=?|C|-|unsure;VT=INDEL

在 vcf 文件中的 Insertion

12	6607940	rs150221708	A	AT	100	PASS	AC=695;AF=0.138778;AN=5008;NS=2504;DP=16205;EAS_AF=0.0089;AMR_AF=0.1412;AFR_AF=0.1392;EUR_AF=0.2097;SAS_AF=0.1973;AA=TTTTTT|TTTTTT|TTTTTTT|insertion;VT=INDEL

5.3 记录结构变异 （SV）

复杂到离谱，当然还有 bedpe 文件格式可以作为替代方案。

REFALT描述
st[p[片段p在以从右侧开始的顺序，从t所在位置取代了s
st]p]片段 p 反转后（从左侧），从t所在位置取代s
s]p]t片段p在以从右侧开始的顺序，在t之前的位置取代s
s[p[t片段 p 反转后（从左侧），从t之前位置取代s

六、举例说明

这一行来自文章开始的数据

1	10616	rs376342519	CCGCCGTTGCAAAGGCGCGCCG	C	100	PASS	AC=4973;AF=0.993011;AN=5008;NS=2504;DP=2365;EAS_AF=0.9911;AMR_AF=0.9957;AFR_AF=0.9894;EUR_AF=0.994;SAS_AF=0.9969;VT=INDEL

逐个说明：

  • CHROM: 1 - 变异发生在第1号染色体。

  • POS: 10616 - 变异发生的位置是染色体的第10616个碱基。

  • ID: rs376342519 - 变异的参考数据库ID，这里是dbSNP数据库中的ID。

  • REF: CCGCCGTTGCAAAGGCGCGCCG - 参考基因组序列在这个位置的碱基序列。

  • ALT: C - 变异后的碱基序列，这里显示为单个碱基C，表示相对于参考序列，其余的部分（CGCCGTTGCAAAGGCGCGCCG）被删除了。

  • QUAL: 100 - 变异检测的质量分数，100 代表质量是高的。

  • FILTER: PASS - 变异通过了质量控制。

  • INFO字段:

    • AC: 4973 - 等位基因数（Allele Count），表示在所有样本中有4973个这样的变异等位基因。
    • AF: 0.993011 - 等位基因频率（Allele Frequency），表示在所有检测的等位基因中，几乎所有的（大约99.3%）都是这个变异等位基因。
    • AN: 5008 - 等位基因总数（Allele Number），表示所有样本中等位基因的总数。
    • NS: 2504 - 样本数量（Number of Samples），表示有2504个样本被用来检测这个变异。
    • DP: 2365 - 测序深度（Depth of Coverage），表示所有样本中变异位置上的测序深度。
    • 各人群等位基因频率（Allele Frequency by Population）:
      • EAS_AF: 0.9911 - 东亚人群中的等位基因频率。
      • AMR_AF: 0.9957 - 美洲人群中的等位基因频率。
      • AFR_AF: 0.9894 - 非洲人群中的等位基因频率。
      • EUR_AF: 0.994 - 欧洲人群中的等位基因频率。
      • SAS_AF: 0.9969 - 南亚人群中的等位基因频率。

  • VT: INDEL - 变异类型（Variant Type），这里表示是一个插入/删除事件。

综合来看，这行记录表明在第1号染色体上有一个非常常见的INDEL变异，在不同人群中频率都非常高，几乎接近于固定。也就是说，这个变异在样本集合中广泛存在。

这里有个连连看的小游戏帮助大家理解

https://www.ebi.ac.uk/training/online/courses/human-genetic-variation-introduction/variant-identification-and-analysis/understanding-vcf-format/

https://samtools.github.io/hts-specs/VCFv4.2.pdf

https://gatk.broadinstitute.org/hc/en-us/articles/360035531692-VCF-Variant-Call-Format


http://www.niftyadmin.cn/n/5164637.html

相关文章

制作一个模板二

制作一个模板二

即上面用于向浏览器传递HTML的解决方案并不好。考虑一下，当您添加来自用户的博客文章时，这个视图函数中的代码会变得多么复杂，因为这些博文会不断变化。该应用程序还将拥有更多与其他url相关联的视图函数，因此想象一下&#xff0c…
阅读更多...
flutter生态一统甜夏 @Android @ios @windowse @macos @linux @Web

flutter生态一统甜夏 @Android @ios @windowse @macos @linux @Web

(愿景)G o o g l e 中 国flutter生态一统天下(IT) Web Android ios Windowse Macos Linux Google中国https://space.bilibili.com/64169458 https://pub-web.flutter-io.cn 构建 Flutter Web 应用 构建 Flutter Web 应用 - Flutter 中文文档 - Flutter 中文开发者网站 …
阅读更多...
安卓常见设计模式7------适配器模式（Kotlin版）（RecycleView adapter 模板代码）

安卓常见设计模式7------适配器模式（Kotlin版）（RecycleView adapter 模板代码）

1. W1 是什么，什么是适配器模式？​ 适配器模式（Adapter Pattern）是一种常见的设计模式，它用于将一个类的接口转换成另一个客户端所期望的接口。在 Android 中，适配器模式通常用于将数据与视图进行绑定&…
阅读更多...
【ArcGIS Pro二次开发】(75)：ArcGIS Pro SDK二次开发中的常见问题及解决方法

【ArcGIS Pro二次开发】(75)：ArcGIS Pro SDK二次开发中的常见问题及解决方法

ArcGIS Pro SDK二次开发路程也近一年时间了，这里总结一下平时遇到的一些问题和解决方法。有些问题没能解决，也记录下来，提醒自己不要忘记。 一、在VS2022中进行调试弹出错误 正常在VS2022中，如果要调试程序的话，直接按…
阅读更多...
DHCP概述及原理

DHCP概述及原理

• Dynamic Host Configuration Protocol – 动态主机配置协议,由 IETF(Internet 网络工程师任 务小组)组织制定, 用来简化主机地址分配管理 • 主要分配以下入网参数 – IP地址/子网掩码/广播地址 – 默认网关地址、DNS服务器地址 DHCP概述及原理（广播进行&a…
阅读更多...
grpc使用教程

grpc使用教程

准备 1，安装grpc go get -u google.golang.org/grpc2, 安装go语言protobuf生成器protoc-gen-go go get -u google.golang.org/protobuf/cmd/protoc-gen-go注意： 将GOPATH下的bin目录配置在环境变量中否则会找不到命令编写proto文件 # server/proto/tes…
阅读更多...
Globalsign证书

Globalsign证书

GlobalSign是全球可信的数字证书提供商之一，提供广泛的证书服务，包括SSL证书、代码签名证书、电子邮件证书等，帮助保护企业和个人的网络安全。本文将详细介绍GlobalSign证书的特点和优势，帮助您更好地了解这一重要的数字证书提供商…
阅读更多...
重装系统后，如何恢复丢失的桌面文件

重装系统后，如何恢复丢失的桌面文件

在我们使用电脑的过程中，有时不得不重装操作系统，以解决各种问题和提升电脑性能。然而，重装系统后会遇到一个常见的问题，那就是丢失了桌面上的文件和文件夹。这些文件可能是用户的个人数据、重要的工作文档或珍贵的照片&#xff0…
阅读更多...
最新文章

Copyright @ 2022~2023