📚 课程目录第1章 GVCF原理概述

1. GVCF原理概述

大家好，欢迎来到《群体联合基因分型GVCF实战》的第一章。这一章我先带大家理解核心概念：什么是GVCF？为什么要用群体联合方式？GATK那一套流程到底怎么串起来的？

我刚开始接触这个领域时，也觉得“GVCF”不过是个中间文件格式，后来做过几个大规模群体项目后才发现，这玩意儿是整个群体遗传分析的基石。说白了，GVCF就是每个样本在每个位点的“概率快照”，而联合基因分型则是把这些快照拼成一张完整的群体“基因型地图”。

1.1 应用场景：谁需要群体联合基因分型？

你想想看，每次做几十个、几百个甚至上千个样本的WGS或WES，如果每个样本单独跑HaplotypeCaller然后直接过滤，不仅慢，而且丢失了群体中的等位基因频率信息。群体联合基因分型正好解决两个核心问题：

多重检测能力：利用所有样本的read证据，检测低频率的变异，尤其是那些只有少数样本携带的稀有突变。
一致性校正：用群体层面的LD信息和比对质量，重新校准每个样本的基因型概率，减少假阳性。

主要场景包括：

场景	典型样本量	联合分型优势
GWAS（全基因组关联研究）	数百～数千	统一质量过滤，提高关联统计功效
人群遗传结构分析	上千	精确估算等位基因频率，支持PCA/Admixture
家系/罕见病研究	数十～数百	发现共有稀有变异，降低假阳性
临床肿瘤panel	10～100	减少批次效应，提高体细胞突变检测一致性

举个例子，我在做一个人群队列项目时，200个样本单独跑VCF，然后合并过滤，结果在一个已知癌症相关基因上发现一个低频突变，但单一样本的QUAL太低被过滤掉了。后来用联合基因分型重新跑，那个位点的GQ从20直接提高到99，群体中其他样本也有部分支持reads。这才把它重新捞回来。

1.2 GATK工作流简介：从BAM到群体VCF

GATK推荐的群体联合基因分型工作流分为三个阶段：

单样本GVCF生成：使用HaplotypeCaller的GVCF模式，对每个样本输出.g.vcf.gz。
数据库构建：用GenomicsDBImport将多个GVCF导入一个分区块的GenomicsDB。
联合基因分型：用GenotypeGVCFs从数据库中读取所有样本信息，输出最终的群体VCF。

为什么要有这个中间数据库？因为直接合并几百个GVCF文件会造成巨大的内存开销。GenomicsDBImport将基因组切分成区间，每个区间独立建库，再并行调用GenotypeGVCFs，效率高得多。我个人习惯是每个染色体分成几个区间，避免单个数据库文件过大。

下面是一个典型的流程命令示例（仅供参考，具体调优后面章节会细讲）：

# 第1步：单样本GVCF
gatk HaplotypeCaller \
   -R reference.fa \
   -I sample1.bam \
   -O sample1.g.vcf.gz \
   --emit-ref-confidence GVCF \
   --pcr-indel-model NONE

# 第2步：构建GenomicsDB（以chr20为例）
gatk GenomicsDBImport \
   --genomicsdb-workspace-path my_database \
   --batch-size 50 \
   -L chr20 \
   --sample-name-map sample_map.txt \
   --reader-threads 5

# 第3步：联合基因分型
gatk GenotypeGVCFs \
   -R reference.fa \
   -V gendb://my_database \
   -O cohort.chr20.vcf.gz

这里有个陷阱：--sample-name-map文件一定要与GVCF文件名一一对应，我曾经因为文件名中有一个特殊字符没转义，数据库构建到一半报错，排查了半天才发现是映射文件里的GATK版本格式变了。后面前车之鉴啊。

1.3 GVCF格式的核心：每位点的四状态概率

GVCF与普通VCF最大的区别在于，它记录了每个位点上四种基因型（RR、RA、AA、ref-ref）的似然值，还有Reference Confidence模型。这样在联合分型时，即使某个样本在位点上没有read覆盖，也能用群体先验信息推断出来。

你可以在GVCF文件中看到类似下面这样的区块（省略了部分列）：

#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT sample1
chr20 104   . G   A   1000  .    ...
GT:AD:GQ:PL  0/1:30,15:99:200,0,150

注意：GVCF中还会包含非变异位点的记录（通过--emit-ref-confidence GVCF控制），这些位置在后续联合分型时会作为背景信息使用。这也是为什么联合分型能提高低深度位点准确性的原因。

1.4 为什么非要用GVCF？直接合并VCF不行吗？

我最近遇到一位同行，他坚持用bcftools merge直接合并硬过滤后的单样本VCF。这种做法在小样本集（比如5个以内）勉强能用，但一旦超过20个样本，问题就来了：

每个样本的VCF只保留通过过滤的变异，低频变异被过早丢弃。
合并后无法重新计算GQ和PL，只能做简单的交集/并集。
无法利用群体信息校正基因型准确性。

GVCF方式保留了每个位点的原始概率证据，联合分型时再统一做过滤决策，这才是正确的做法。

核心要点：群体联合基因分型的本质是“先保留所有可能性，再统一决策”，而非“每个样本先做硬过滤再合并”。

个人小技巧：如果你项目预算有限，可以在GVCF生成阶段启用--parallelism参数，用多线程加快单样本处理。但注意不要超过服务器的物理核心数，否则会因IO竞争反而变慢。

避坑指南：曾经我在一个超大规模项目（3000例）中直接使用GenomicsDBImport，默认的batch-size=50导致内存溢出。后来我把batch-size降到20，并增加了--tmp-dir到单独的高速SSD，才顺利跑完。建议先在小样本测试集上调好参数再上生产。

1.5 本章知识体系总览

下面这个SVG图梳理了GVCF联合分型的整体流程，从输入BAM到最终的群体VCF，你可以看到数据是如何一层层汇聚的：