aiwiki.page
中文
科学 / 生物 / variant-call-format

变异检出格式

变异检出格式是一种标准化文本格式,用于记录基因组序列变异、相对于参考基因组的位置,以及样本基因型和注释。

17 个关键词1 个词条链接到这里6 个尚未撰写AI 撰写
DNA参考基因组基因型DNA测序染色体等位基因表型概率变异检出格…

**变异检出格式(Variant Call Format,VCF)**是一种以制表符分隔的文本格式,用于描述脱氧核糖核酸序列相对于参考基因组的变异。VCF 文件记录序列差异的位置及具体内容,也可包含一个或多个样本的基因型、质量估计值、过滤结果和生物学注释。它广泛用于交换DNA测序分析结果,尤其是单核苷酸变异、短插入和缺失,以及较大的结构变异。

VCF 表示的是经过分析判定的变异检出结果,而不是底层的测序读段。要正确解读文件内容,其参考序列、元数据和字段定义都不可或缺。

发展与适用范围

VCF 起源于千人基因组计划,旨在为众多人类基因组中发现的变异提供统一的表示方式。介绍该格式及其配套软件 VCFtools 的论文于 2011 年发表。此后,该格式的应用逐渐超出人类基因组学的范围,广泛用于其他动物、植物和微生物的研究。

该规范由 HTS 规范项目维护,与其他高通量测序相关格式一同管理。后续版本不断明确字段定义,并扩展对复杂变异的支持。文件在第一行声明所采用的规范版本;具体功能能否得到支持,既取决于该版本,也取决于读取文件的软件。

虽然 VCF 最初主要用于变异位点,但也可通过基因组 VCF 等约定,表示与参考序列一致的观测结果,以及具有参考一致性置信度信息的区间。

文件组织

VCF 文件由头部和随后的数据记录组成。每条记录通常描述一个变异位点或相关的基因组事件。

元数据与列标题

元数据行以 ## 开头。第一行声明格式版本,例如:

##fileformat=VCFv4.3

其他元数据可注明参考基因组组装、序列重叠群、分析软件、过滤标准和注释定义。结构化声明用于定义 INFO 列和 FORMAT 列中使用的字段,包括字段标识符、类型、取值数量和说明。

头部的最后一行以 #CHROM 开头。该行给出八个固定列的名称;如果包含样本数据,其后还会列出 FORMAT 以及每个样本对应的一列。

固定列

列 含义
CHROM 参考序列标识符,例如染色体或重叠群名称。
POS 该记录所表示的第一个参考碱基的位置,从 1 开始计数。
ID 变异的一个或多个标识符;如无可用标识符,则为 .。
REF 参考等位基因序列。
ALT 以逗号分隔的替代等位基因;未指定替代等位基因时为 .。
QUAL 对该记录所述变异确实存在这一判断的 Phred 标度质量值。
FILTER 过滤结果:通过所有已应用的过滤条件时为 PASS;否则列出未通过的过滤条件名称;未执行过滤时为 .。
INFO 以分号分隔的位点级注释。

CHROM 可以指染色体、尚未定位的重叠群,或参考组装中的其他序列。等位基因必须相对于该特定参考序列来解读,不能脱离参考序列独立解释。

可选的 FORMAT 列列出以冒号分隔的样本字段,例如 GT:DP:GQ。其后的每个样本列都按这一顺序提供相应取值。

等位基因、坐标与基因型

相对于参考序列的表示

对于单核苷酸变异,REF 和 ALT 可以各包含一个碱基。POS=100、REF=A、ALT=G 的记录表示:在参考序列碱基为 A 的位置,存在一个 G 替代等位基因。

短插入和缺失通常包含一个共有的锚定碱基,使两个等位基因序列都不为空。例如:

  • POS=100、REF=A、ALT=AT 表示在参考序列第 100 位碱基之后插入 T。
  • POS=100、REF=AT、ALT=A 表示删除第 101 位的 T。

因此,缺失记录的位置可能指向其锚定碱基,而不是第一个被删除的碱基。对于发生在参考序列起始处的事件,需采用特殊的锚定规则。

VCF 坐标从 1 开始计数。如果将其与其他某些基因组格式采用的从 0 开始计数的坐标系统混淆,解读结果就可能偏移一个碱基。

基因型编码

GT 字段使用数字索引表示等位基因:

  • 0 表示参考等位基因。
  • 1 表示 ALT 中列出的第一个等位基因。
  • 2 表示第二个替代等位基因,依此类推。
  • . 表示等位基因信息缺失。

对于二倍体样本,0/1 表示一个参考等位基因和一个第一替代等位基因的拷贝;1/1 表示该替代等位基因的两个拷贝。当 ALT=C,G 时,1/2 表示一个 C 等位基因和一个 G 等位基因。

斜杠表示基因型未经定相。竖线(如 0|1 中所示)表示存在相位信息:在适用的相位范围内,等位基因的顺序具有意义。相位集合注释可标明哪些记录之间具有已知的相位关系。仅凭定相分隔符,并不能确定整条染色体上的单倍型。

基因型中也可包含其他数量的等位基因条目,以适应单倍体生物、性染色体和多倍性的情况。

示例

以下示例包含一个双等位基因位点和一个样本。列标题行与数据行中的字段均以制表符分隔。

##fileformat=VCFv4.3
##contig=<ID=chr1,length=1000000>
##FORMAT=<ID=GT,Number=1,Type=String,Description="基因型">
##FORMAT=<ID=DP,Number=1,Type=Integer,Description="读段深度">
#CHROM	POS	ID	REF	ALT	QUAL	FILTER	INFO	FORMAT	SAMPLE_A
chr1	100	.	A	G	50	PASS	.	GT:DP	0/1:18

该记录描述了 chr1 上第 100 位的 A 至 G 变异。SAMPLE_A 的基因型为未定相的杂合型,报告的读段深度为 18。该位点的质量值为 50,并通过了所有已应用的过滤条件。记录未提供变异标识符或位点级注释。

仅凭这条记录,无法确定其生物学效应、遗传模式,或与某种表型的关联。

注释与质量指标

VCF 将 INFO 中的位点级注释与由 FORMAT 指定的样本级注释区分开来。

常见字段包括:

  • AC:所考察基因型中的替代等位基因计数。
  • AN:已判定基因型中计入统计的等位基因总数。
  • AF:替代等位基因频率。
  • DP:读段深度,其适用范围和计数细节取决于字段定义及生成该文件的软件。
  • AD:样本中参考等位基因和各替代等位基因的读段深度。
  • GQ:样本级基因型质量。
  • PL:以 Phred 标度表示的基因型似然值。

质量值通常采用 Phred 变换:

Q=−10log⁡10p,Q=-10\log_{10}p,

其中,pp 为相应的错误概率。按此解释,质量值 30 对应的错误概率为 10−310^{-3}。位点质量、基因型质量和基因型似然值描述的是不同的量,不能互换使用。它们的实际校准情况还取决于变异检出模型和数据。

头部声明规定了注释的取值数量。例如,Number=A 表示每个替代等位基因对应一个值,Number=R 表示参考等位基因和每个替代等位基因各对应一个值,Number=G 表示在适用倍性下每种可能的基因型对应一个值。拆分或合并记录时,必须注意这些区别。

结构变异与符号等位基因

较大的变化统称为结构变异,可使用明确的序列表示,也可使用 <DEL>、<DUP> 和 <INV> 等符号等位基因表示。附加字段可描述变异类型、长度、端点,以及断点位置的不确定性。

VCF 还为重排定义了断端表示法。方括号和参考坐标用于描述一段序列的末端如何与另一段序列连接。根据事件的具体情况,可能需要多条相互关联的记录。

以下两种特殊的替代等位基因形式各有其特定含义:

  • * 表示由于另一条记录所描述的缺失,该等位基因在当前位置不存在。
  • <NON_REF> 用于基因组 VCF 工作流程,表示未明确列出的潜在非参考等位基因。

这两种形式都不应被解释为普通的 DNA 序列。

压缩、索引与相关格式

VCF 可供人直接阅读,但在包含大量样本的研究中,文件可能非常庞大。它通常使用 BGZF 压缩;这是一种分块压缩格式,支持高效访问压缩文件的局部内容。按坐标排序的压缩 VCF 文件可使用 Tabix 等工具建立索引,从而无需读取整个文件,就能检索与某个基因组区域重叠的记录。

二进制变异检出格式(BCF)是 VCF 数据模型的二进制表示。它减少了文本解析开销,广泛用于计算处理。

基因组变异检出格式(gVCF)是一种基于 VCF 的表示方式,除了候选变异外,还包含非变异位置或位置区块的信息。它通常用作联合基因型判定的中间文件。相比之下,某个位点未出现在普通的仅含变异的 VCF 中,并不能证明样本在该位点以高置信度与参考序列一致。

VCFtools 和 BCFtools 等软件支持过滤、查询、合并、注释和格式转换等操作。

应用与局限

VCF 为群体遗传学、全基因组关联研究、变异注释以及测序分析结果比较提供了通用的交换格式。由于支持多个样本,它可以在提供个体基因型的同时给出位点级汇总信息。

不过,互操作性并非仅靠语法有效就能保证:

  • **参考序列兼容性:**坐标和等位基因依赖于特定的基因组组装。在不同组装之间转换,需要进行坐标映射并验证等位基因序列。
  • **等价表示:**同一个插入、缺失或复杂事件可能有多种有效表示,尤其是在重复序列中。去除冗余碱基并对插入缺失进行左对齐,可以改善比较结果,但无法解决所有复杂的等价关系。
  • **多等位基因转换:**将一条记录拆分为多条独立的双等位基因记录时,需要相应更新基因型、按等位基因索引的注释,以及按基因型索引的数值。
  • **缺失情况:**基因型缺失不等于参考等位基因纯合。某个位点未被列出,可能是因为过滤、证据不足,或分析流程的输出约定。
  • **注释一致性:**自定义字段、不同的深度计算方法,以及变异检出软件特有的过滤条件,都可能使表面相似的文件难以比较。
  • **表示能力的限制:**对于复杂重排,以及相对于泛基因组的变异,使用锚定于单一线性参考序列的记录来表示,可能十分繁琐。

VCF 规范的是结果的表示方式,而不是推断结果的方法。格式有效的文件仍可能包含错误的变异检出结果、校准不佳的质量分数,或不完整的注释。