VCF 格式基础

大家好，我是老刘，做了好多年生信流程开发和数据库整合的工作。今天开始咱们聊 VCF 格式。说实话，VCF 是基因组分析里绕不过的坎儿，不管是叫“变异检出”还是“注释降维”，最终你都得跟它打交道。我最早接触 VCF 时，觉得它不就是个文本表格嘛，后来才发现里面暗藏玄机——尤其是那些元信息行和 FORMAT 字段，稍不留神就把样本数据搞串了。

1.1 VCF 文件长什么样？

VCF（Variant Call Format）是纯文本，每一行要么以 ## 开头（元信息），要么以 # 开头（列标题），要么是数据行。咱们先看一段最简单的 VCF 文件片段，感受一下整体结构：

##fileformat=VCFv4.2
##fileDate=2025-01-15
##source=GATK4.2
##contig=<ID=chr1,length=248956422>
##INFO=<ID=DP,Number=1,Type=Integer,Description="Total Depth">
##FORMAT=<ID=GT,Number=1,Type=String,Description="Genotype">
##FORMAT=<ID=AD,Number=R,Type=Integer,Description="Allelic depths">
##FORMAT=<ID=DP,Number=1,Type=Integer,Description="Read Depth">
#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT SAMPLE1 SAMPLE2
chr1 12345 . A G 100 PASS DP=50 GT:AD:DP 0/1:25,25:50 1/1:0,30:30

你看，前几行全是 ## 打头的元信息，记录了这个文件的版本、来源、参考基因组、字段定义等等。单独一行 #CHROM POS ... 是列标题。最后两行是数据行，每行代表一个变异位点及其样本的基因型信息。我个人习惯先看文件开头几行元信息，确认版本和 FORMAT 定义后再处理后面数据——不然你根本不知道 GT、AD、DP 这些缩写对应啥意思。

1.2 元信息行（## 开头的行）

元信息行是 VCF 的“配置文件”。它们用 key=value 的格式，常见的几类我列在下面：

• fileformat：VCF 版本号，目前主流是 VCFv4.2 或 v4.1
• fileDate：文件创建日期
• source：生成该文件的软件或流程
• reference：参考基因组路径或版本
• contig：参考序列的 ID 和长度，可以有多条
• INFO：INFO 列中每个字段的定义，包括 ID、Number、Type、Description
• FORMAT：样本列中用到的每个格式字段的定义
• FILTER：过滤标签（如 PASS、LowQual）的定义
• ALT：替代等位基因的全局定义

1.3 列定义（#CHROM 那行）

#CHROM 那行固定有 8 个必选列，之后是 FORMAT 列（可选），再往后就是样本列。我整理了一张表，咱们对照着看：

列名	含义	例子与注意事项
CHROM	染色体 / 参考序列名称	chr1、chrX，注意与参考基因组一致
POS	变异在染色体上的起始位置（1-based）	对于插入/缺失，POS 通常是第一个碱基位置
ID	变异标识符，可用 dbSNP rs号 或 . 表示未知	多个 ID 用分号分隔
REF	参考等位基因碱基序列	必须是参考基因组上的实际序列
ALT	替代等位基因序列（多个用逗号分隔）	对于缺失可用 . 或 <DEL> 结构型变异
QUAL	变异质量分数，Phred 尺度的整数或浮点数	值越高越可靠，. 表示未知
FILTER	过滤状态，PASS 表示通过，. 表示未过滤	可以是多个标签，用分号分隔
INFO	以 key=value 形式存放的位点级信息（多个用分号）	例如 DP=50;AF=0.23
FORMAT	样本列中各字段的排列顺序	如 GT:AD:DP，字段间用冒号分隔
SAMPLE1...	每个样本的变异数据，按 FORMAT 定义的顺序用冒号分隔	例如 0/1:25,25:50

1.4 样本列与 FORMAT 字段（GT / AD / DP 详解）

样本列是 VCF 最灵活也最让人头疼的部分。我用项目里最常碰到的三个字段展开讲讲：

• GT（Genotype）：用 / 或 | 分隔的两个等位基因索引。0 表示 REF，1 表示第一个 ALT，2 表示第二个 ALT……比如 0/1 表示杂合，1/1 表示纯合 ALT。| 常用于表示 phased 基因型。
• AD（Allelic Depth）：每个等位基因的支持 reads 数量，顺序与 REF + ALT 对齐。例如 25,25 表示 REF 有 25 条 reads，ALT 有 25 条。注意多等位基因时列数会增加。
• DP（Read Depth）：该样本在这个位点的总覆盖深度（所有等位基因之和）。

再看一个稍微复杂点的 FORMAT 定义例子：

##FORMAT=<ID=GT,Number=1,Type=String,Description="Genotype">
##FORMAT=<ID=AD,Number=R,Type=Integer,Description="Allelic depths for the ref and alt alleles">
##FORMAT=<ID=DP,Number=1,Type=Integer,Description="Read depth">
##FORMAT=<ID=GQ,Number=1,Type=Integer,Description="Genotype Quality">
##FORMAT=<ID=PL,Number=G,Type=Integer,Description="Normalized, Phred-scaled likelihoods">

这里 Number=R 表示 AD 的个数等于 REF + ALT 的数量（即可变数值）。Number=G 表示 PL 的数量等于基因型组合数。你想想看，如果某个位点有 ALT= A,G（两个替代），那么 AD 就有 3 个值（REF, A, G），PL 则有 6 个值（3 种等位基因的 6 种可能二倍体基因型）。

1.5 VCF 的骨架结构

把上面这些串起来，VCF 文件其实就是三层结构：元信息（文件头）→ 列标题 → 数据行。每个数据行又包含位点信息和样本信息。我用一张 SVG 图帮你把逻辑捋一遍：

嗯，这张图基本把 VCF 的骨架画清楚了。我建议你脑子里始终装着这个三层模型：解析时先搞定元信息，然后按列标题建字段映射，最后逐行读取。至于 GT、AD、DP 这些字段，记住它们的定义和排列规则就行——毕竟后面做注释、统计、过滤，都离不开它们。