变异记录文件格式 vcf

vcf文件做记录个体或群体突变的文件格式，在生物信息学应用中举足轻重。主流的生物信息分析软件，在处理变异信息时，也基本上需要考虑支持解析或输出vcf格式的文件。本文在介绍vcf文件格式的基本格式的同时，对vcf文件记录的细节进行描述。希望对广大开发者和生物信息学从业人员起到帮助。

1.vcf文件概述

vcf文件格式是变异结果存储的标准格式，一般多用于单核苷酸变异（SNV）或小片段的插入缺失（indels）的结果记录。除此之外，vcf文件也可以存储其他变异形式，比如CNV（拷贝数变异）、SV（结构变异）等，但目前难以形成主流。基因组结构类变异，目前相对较多的依然是bed或bedpe文件，后面会陆续为各位进行介绍。

SNV 是基因组上单个位置的替换。|比如，在参考基因组上记录为 A ，通过检测，某个体由于个体差异或突变，在相同位置变异为C。Indel是指插入或缺失，例如在参考基因组上，某位置为ATCCA，在个体基因组上为ACA（中间位置的TC缺失），则记为A--CA，该位置为deletion。同理若个体基因组存在插入（insertion）情况，与deleltion一样也可以进行记录。insertion和deletion合称为indel。

vcf文件主要有三种模式:

第一种为仅有位点信息，即对变异发生的位置和变异本身
第二种为个体变异记录的是某个个体或个体组织的突变情况
第三种为群体变异检测信息，记录的为突变在群体或家系中发生情况。

这三种类型文件虽然在记录内容上有所差别，但是都遵循vcf的基本规则。下图为vcf文件实例：

注意：从上述说明中可以看出，单核苷酸的记录其实相对容易，但是对indel变异而言，由于插入缺失片段的长度不定，其位置并非固定的，因此在样本间的记录难以统一。

2. vcf meta 信息部分

vcf文件头部主要记录文件原信息（meta information），每行以##开始，主要记录内容包括下列内容

记录内容	说明
文件格式（fileformat）	记录文件格式；主要记录本文件所采用的vcf格式版本
信息区域（INFO）描述	该部分记录的是作为INFO区的基本描述，由于在vcf记录中，对INFO内容采用的是缩写，因此在此部分进行会对其含义以及数据类型进行说明。
过滤方式（FILTER）	该部分主要记录vcf文件经过生成过程中经过哪些过滤程序处理。记录包括命令行及对应参数
个体区域格式信息（FORMAT）	对于每个样本，vcf正文部分会记录多种信息，例如变异对应深度，该部分记录个体信息中每个字段含义及类型
突变类型（ALT）	标识出现在正文信息中突变类型，例如，Insertion、Deletion、Duplication 等
基因组信息（assembly）	标识对应的基因组版本
Contig信息	由于同一物种肯定存在多个基因组版本（如人类目前常用的有hg19和hg38两个版本），因此可能存在染色体名称相同，但内容不同的情况。因此该部分记录主要用于记录每个染色体的相信信息
样本基因组信息	vcf理论上支持不同样本比对于不同基因组的，该部分记录样本和基因组的对应关系（通常较少使用）
遗传谱系信息（ Pedigree）	记录样本间的亲缘关系

3. vcf 列名称及正文

vcf文件meta信息记录结束之后，下一行就是列名称，列名称以#作为起始，主要包括以下几列：

CHROM：表示该列为变异所在的染色体位置。
POS：表示变异起始坐标，该部分需要注意的是对于结构变异，如Indel，其坐标记录方式不唯一。
ID：表示变异ID，一般常用的有rs编号或vep编号等。用户也可以根据具体问题自行设定编号，空缺时记为“.”。
REF：表示位点在参考基因组上的记录。
ALT：表示位点可能出现的变异情况。
QUAL：以Phred（即-log10）格式表示变异可靠性。通过不同变异检测软件得到的结果中，该项记录一般无可比性。
FILTER：表示过滤方式该部分用户也可以自定义，对于不同过滤标准可以进行不同的命名；但是对于通过过滤标准的，统一记为PASS。需要注意的是，对于一般的vcf处理软件来说，FILER只标记某个变异是否通过过滤条件。而不是删除记录。
INFO：该部分记录的变异的评价性指标以及注释信息，例如AC表示的等因突变的数量。该部分在不同的变异检测软件给出的结果也是不同的，大多数基础统计可以通过bcftools软件来进行追加。

上述八列信息是vcf中必然含有的部分，对于有样本信息，无论是样本还是单样本，都会有第9列 FORMAT列及后续样本信息列：

FORMAT：个体区域格式信息记录样本变异的记录格式。由于vcf文件样本记录中除了变异本身是否发生之外，还会记录针对变异的其他信息，例如对应位点的深度（AD）、基因型质量（GQ）等。FORMAT字段规定了这些信息的基本格式。
个体信息：个体信息是记录某个样本的具体变异情况，其包含的基本信息格式标准需要符合记录的FORMAT格式。特别需要注意的是基因型GT信息，如果是没有经过phased数据，以/分隔两个等位位点；如果经过phased则以|分隔。其余信息，均会在FORMAT字段有详细说明。

3. vcf记录标准问题

虽然vcf可以记录和表述突变具体情况，但是实践中由于不同变异检测工具对变异判定的区别，会造成对于同一个变异信息存在不同纪录的可能性（尤其是Indels类型记录）。因此，对于vcf文件而言，除了要求记录的信息全面这个最基本的要求之外，还需要做到两个标准。

3.1 简约性（Parsimony）

简约性是指，用尽可能少的核苷酸表示变体，而不会将任何等位基因的长度减少到0。其规定主要针对多核苷酸多样性而言（简称为MNP，指连续多处核苷酸发生突变）。下图列举了4种例子：

这四种颜色（红、绿、橙、蓝）的对于表示同一突变，其实是等效的。但是前三种记录均不是最简方法。因此，只有第四种蓝色的记录方式，符合简约性规范。

3.2 左对齐（Left alignment）

左对齐主要针对Indel类型的变异。其是指，当且仅当不再可能将其位置向左移动，同时保持其所有等位位点的长度不变时，则变异已左对齐。例如下图：

图中给出样本相对对于参考的基因组缺失“CA”碱基的5种记录方式，符合左对齐且简约的，只有最后一种（即紫色）对应的记录方式。

3.3 为什么要遵循上述原则

上述两个原则，其实并不是vcf文件格式规定的，但是相对而言比较重要。尤其对于变异的后期注释、挖掘和使用中，如果记录不满足上述标准，是很难对样本间进行合并或解读。

因此，一般拿到不明来源的vcf文件，比较良好的习惯就是对数据进行标准化处理，再进行其他操作。一般而言，GATK和bcftools都提供了相应的功能，用户可以方便实现。

4.结构变异

vcf文件设计之处，对于结构变异的检测还不想目前这么百花齐放。因此虽然在vcf格式设计上考虑了结构变异的问题，但是相对而言记录比较粗糙。目前各类检测软件虽然基本上都保留了将结构变异输出成vcf的功能。

在vcf中结构变异以以下形式展现

REF	ALT	含义
s	t[p[	片段p在以从右侧开始的顺序，从t所在位置取代了s
s	t]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

例如：

由上面的例子可以看出，采用vcf记录结构变异实在不是一个好主意。相比之下，采用bed文件就更加清晰明了。在后面的内容中会向读者陆续介绍。

4. 小结

vcf作为最通用的变异记录文件格式，其格式的表达内容非常丰富，经过压缩后可以快速查询和定位。同时，基于该格式的应用种类相当多，因此是生物信息学重要的文件格式标准之一。

除了格式要求的明规则之外，使用vcf的时候还应该遵守"潜规则"，目前主流变异检测软件对规范化的要求明显有所提高，因此最好在使用之前，进行一系列校正。

最后，vcf文件也支持表达结构变异，但是其人工阅读难度和可解析度其实都不太尽如人意。主流的注释工具更多的支持bed或其他格式的结构突变结果。因此，奉劝大家谨慎使用vcf记录结构变异。