第二章：生物信息分析

第一節：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文件結構

VCF文件分為兩部分內容：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VCF的介紹信息；主體部分包含10列數據。主題部分每一行代表一個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)（發生變異的位置的第一個堿基所在的位置）
ID ： variant的ID。同時對應著dbSNP數據庫中的ID，若沒有，則默認使用‘.’
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量）
ALT ： variant的Allele，若有多個，則使用逗號分隔，（變異所支持的堿基類型及堿基數量）這里的堿基類型和堿基數量，對于SNP來說是單個堿基類型的編號，而對于Indel來說是指堿基個數的添加或缺失，以及堿基類型的變化
QUAL ： variants的質量。Phred格式的數值，代表著此位點是純合的概率，此值越大，則概率越低，代表著次位點是variants的可能性越大。（表示變異堿基的可能性）
FILTER ： 次位點是否要被過濾掉。如果是PASS，則表示此位點可以考慮為variant。
INFO ： variant的相關信息
FORMAT ： variants的格式，例如GT:AD:DP:GQ:PL
SAMPLES ： 各個Sample的值，由BAM文件中的@RG下的SM標簽所決定，這些值對應著第9列的各個格式，不同格式的值用冒號分開，每一個sample對應著1列；多個samples則對應著多列，這種情況下列的數多余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標簽，這些標簽之間以冒號分割，其對應的值位于第10列，同樣以冒號分割，表示第一個樣品的基因型結果。若有多個樣品，則VCF文件超過10列，且第10列后的每一列表示一個樣品的基因型結果。第9列各個標簽的意義展示如下：

GT ： genotype

樣品的基因型（genotype），兩個數字中間用‘/’分開，這兩個數字表示雙倍體的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variant的allele（和ALT的第二種堿基相同）對于SNP是指單個堿基類型相同而對于Indel是指堿基類型及個數均相同

因此根據GT的結果得出以下結論：
0/0表示sample中該位點為純合位點，和REF的堿基類型一致
0/1表示sample中該位點為雜合突變，有REF和ALT兩個基因型（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中該位點為雜合突變，有ALT1和ALT2兩個基因型（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）中則是用逗號分隔的兩個值，前者對應REF基因，后者對應ALT基因型；
DP(Depth)為sample中該位點的覆蓋度，是所支持的兩個AD值（逗號前和逗號后）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
這里的三種類型對應的DP值均是其對應的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）

基因型的質量值（Genotype Quality）。Phred格式（Phred_scaled）的質量值，表示在該位點該基因型存在的可能性；該值越高，則Genotype的可能性越大；計算方法：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，其可能性最大）

PL（likelihood genotypes）

指定的三種基因型的質量值（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個數字，第一個為0
0/1型3個數字，中間為0
1/1型3個數字，最后一個為0
1/2型6個數字，倒數第二個為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，下面對常用的TAG進行解釋：

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的總數目。比如：對2個sample的雙倍體進行測序，則AN值為4。若REF上位點堿基為A，而2個sample在該位點分別為A/T和T/G，則AC值為2，1；AF值為0.50，0.25。AC：variant數目，AF：頻率，AN：總數目

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精確檢驗來檢測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（正負鏈偏移）越嚴重，即所檢測到的variants位點上，reads比對到正負義鏈上的比例不均衡。一般進行filter的時候，推薦保留FS<10~20的variants位點。GATK可設定FS參數。

ReadPosRandSum

Z-score from Wilcoxon rank sum test of Alt vs. Ref read position bias.當variants出現在reads尾部的時候，其結果可能不準確。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allele和參考基因組一致的時候，才能計算該值。若該值為正值，表明和alternative allele相當于reference allele，落來reads更靠中部的位置；若該值是負值，則表示alternative allele相比于reference allele落在reads更靠尾部的位置。
進行filter的之后，推薦保留ReadPosRankSum>-1.65~-3.0的variant位點

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。若該值是負數值，則表明alternative allele比reference allele的reads mapping quality差。進行filter的時候，推薦保留MQRankSum>-1.65~-3.0的variant位點。

總結

以上是生活随笔為你收集整理的生信：1：vcf格式文件解读的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。