📚 课程目录第3章 VCF文件基础

VCF 文件基础：格式详解与临床关键字段

做临床变异解读，每天打交道最多的文件就是 VCF。我刚入行那会儿，觉得 VCF 不就是个表格嘛，几列数据而已。直到有一次解读一份罕见病家系数据，因为忽略了一个 FILTER 标签，差点把假阳性报成了致病位点……嗯，从那以后我再看 VCF，每个字段都不敢马虎。

一个 VCF 记录长什么样

先看一条实际记录，你感受一下：

#CHROM  POS     ID      REF     ALT     QUAL    FILTER  INFO
chr1    123456  rs123   A       G       100     PASS    AC=5;AF=0.01;AN=500;CLNSIG=Pathogenic

VCF 每行代表一个变异位点，固定 8 个字段，用制表符分隔。这 8 个字段缺一个都不行，是 VCF 规范的硬性要求。

字段	含义	临床解读要点
CHROM	染色体编号	注意 chr 前缀是否统一
POS	变异位置（1-based）	与参考基因组版本对应
ID	dbSNP 或其它数据库 ID	rs 号可辅助查找已知位点
REF	参考等位基因	与参考序列严格一致
ALT	替代等位基因	多个 ALT 用逗号分隔
QUAL	变异质量值	越高越可靠，但别只看它
FILTER	过滤状态	PASS 才能进入解读流程
INFO	注释信息	临床标签都在这里

我的习惯：拿到 VCF 第一件事，不是看变异列表，而是先看 #CHROM 头行和 FILTER 列。头行告诉你用了哪个参考基因组版本，FILTER 列直接决定哪些位点值得看。

QUAL 字段——不只是数字

QUAL 是 Phred 质量值，公式是 -10 * log10(P(错误))。数值越高，测序或比对认为这个变异是真实的可能性越大。比如 QUAL=100，意味着错误概率是 10^-10，相当可靠。

但我要提醒一句：QUAL 高不代表临床意义大。我在项目里见过 QUAL=999 的同义突变，也见过 QUAL=30 的致病剪接位点。QUAL 只反映测序质量，不反映生物学功能。

避坑指南：有些流程会把低 QUAL 位点直接标为 LowQual，但不会删掉。如果你不做 QUAL 过滤，这些位点会混在结果里。我建议临床解读只保留 QUAL ≥ 20 的位点，相当于错误率 ≤ 1%。

FILTER 字段——PASS 不是唯一答案

FILTER 字段记录这个变异是否通过了质控。如果通过，就是 PASS；没通过，会写具体原因，比如：

PASS
VQSRTrancheSNP99.90to100.00
LowQual
IndelFilter
Fail

你可能会问：为什么不过滤掉非 PASS 的位点？因为有些场景下，非 PASS 位点也有参考价值。比如肿瘤体细胞变异中，LowQual 的位点可能暗示低频克隆，值得复查，而不是直接丢弃。

但在临床遗传解读中，我建议严格一些：只解读 FILTER = PASS 的变异。非 PASS 位点可以写在备注里，但不要作为主要证据。

    一次教训：我曾经用一份公开 VCF 做分析，没检查 FILTER 列，直接跑了注释。后来发现一批 "致病" 位点全是 VQSRTrancheSNP99.95to100.00 过滤掉的——嗯，从那以后我把 FILTER 检查写进了每个管线的第一步。

INFO 字段——临床注释的宝藏

INFO 字段是 VCF 里最复杂、也最值钱的部分。它以 key=value 的格式存储，多个条目用分号分隔。临床解读中，我们重点关注以下标签：

INFO 标签	全称	临床解读用途
AC	Allele Count	该等位基因在人群中的出现次数
AF	Allele Frequency	人群频率，AF > 0.01 通常排除致病
AN	Allele Number	该位点覆盖的等位基因总数
DP	Depth of Coverage	测序深度，DP < 10 要谨慎
CLNSIG	Clinical Significance	ClinVar 临床意义：Pathogenic, Benign 等
CLNDN	Clinical Disease Name	关联的疾病名称
CLNREVSTAT	ClinVar Review Status	审核状态：reviewed_by_expert, criteria_provided 等
CLNVC	ClinVar Variant Type	变异类型：single_nucleotide_variant, deletion 等
MAX_AF	Maximum Allele Frequency	所有人群中的最大频率，比 AF 更严格

一个小技巧：CLNREVSTAT 这个标签容易被忽略，但它很关键。如果一条 ClinVar 记录是 no_assertion_criteria_provided，即使 CLNSIG 写着 Pathogenic，可信度也要打折扣。我一般只采用 reviewed_by_expert 或 criteria_provided 的条目。

临床解读中的字段协作

QUAL、FILTER、INFO 三个字段不是孤立工作的。我画了一张图，帮你理解它们在临床解读流程中的协作关系：

    一句话总结：QUAL 看可靠性，FILTER 看合规性，INFO 看临床意义。三条线汇合，才能判断一个变异该不该报。

实战避坑指南

FILTER 列空值：有些 VCF 的 FILTER 列是 .，表示没做过滤。这种数据不要直接用于临床，至少跑一遍 GATK VQSR 或硬过滤。
INFO 标签名大小写：ClinVar 的标签通常是 CLNSIG 全大写，但有些注释工具会写成 CLNsig。我在整合多来源 VCF 时踩过这个坑——大小写不一致导致合并漏数据。建议统一用大写解析。
AC/AF/AN 单位：AC 是计数，AF 是频率，AN 是总数。举个例：AN=1000, AC=5, AF=0.005。如果你只看 AF 不看 AN，可能会误判。AN 太小（比如 < 100）的位点，人群频率不可靠。
DP 与 QUAL 的关系：DP 高 QUAL 不一定高（比如有链偏好），QUAL 高 DP 不一定高（比如唯一一条 reads 但质量极好）。两个指标要结合看，不能互相替代。

再强调一次：临床解读用的 VCF，一定要走完整的质控管线。我见过有人直接拿 GATK 4 的 VCF 做解读，没跑 VQSR，也没看 FILTER 列——嗯，结果里混了不少假阳性。别省这一步。

VCF 的 QUAL、FILTER、INFO 三个字段，就是临床解读的三道关卡。每道关卡都有它的脾气，摸透了，你手里的 VCF 就不再是 "天书"，而是一张清晰的变异地图。