输入文件格式：VCF、BCF、GVCF 详解
做变异解读Pipeline，首先得搞定输入文件。说白了，VCF就是行内标准，BCF是它的二进制小老弟，GVCF则是群体分析专属。我刚开始接触时也被这三个东西绕晕过，今天一次讲透。
VCF：那个大家都认识的文本格式
VCF（Variant Call Format）本质就是个制表符分隔的文本文件，但里面结构化得很好。版本现在主流是VCF v4.2，绝大多数工具都兼容。你打开一个VCF文件，第一眼看到的是以 ## 开头的元信息行，接着是一行带 #CHROM 的列头，再往下才是真正的变异记录。
我记得有一次分析单样本WGS，VCF文件直接飙到好几个GB。别慌，文本文件虽然可读性好，但大起来真受不了。所以实际生产环境里，我习惯直接上BCF。
##fileformat=VCFv4.2
##source=GATK
##contig=
##INFO=
#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT NA12878
chr1 12345 . A G 600.5 PASS DP=100 GT:AD:DP 0/1:50,50:100 BCF：二进制版VCF，量级飞跃
BCF（Binary Call Format）是对VCF的二进制压缩+索引封装。文件体积能缩小3~5倍，加载和查询速度却快一个数量级。为什么？因为BCF用BGZF压缩，而且自带CSI或者TBI索引，你想看某个区域的变异，不用扫全文件。
我自己做Pipeline配置时，中间环节一律用BCF，仅在最终交付时转回VCF给别人看。你想想看，每天几千个样本的联合基因分型，要是都存文本，硬盘先扛不住。
| 特性 | VCF | BCF |
|---|---|---|
| 格式 | 纯文本 | 二进制（BGZF） |
| 可读性 | 高，可cat查看 | 低，需专用工具（bcftools view） |
| 文件大小 | 大（通常≈原始压缩文本） | 小（通常为VCF的1/3） |
| 查询速度 | 慢（需顺序扫描） | 快（按索引随机访问） |
| 推荐场景 | 小规模、交换、手动检查 | 大规模分析流程内部存储 |
GVCF：群体分析的利器
GVCF（Genomic VCF）简单说就是VCF的变种，它不只在变异位点记录信息，更在整个基因组上逐位置列出“证据”。每个位置都有GT、DP、AD这些数据，即使没有变异，也会用 ./. 占位。这样做的目的，是方便群体联合基因分型时统一重做基因型赋值。
我在做WES家系分析时也用过GVCF。当时需要同时分析三口之家，直接合并三个GVCF文件，再调用GATK GenotypeGVCFs，出来的结果比单独call每个样本后再合并准确得多。说白了，GVCF保留了原始测序深度信息，联合分型时能更精确地区分“纯合参考”与“缺失数据”。
# 典型的GVCF记录（非变异位点）
##GVCFBlock=...
#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT sample1
chr1 100 . A . . . . GT:DP:AD ./. . .实际项目中，GVCF文件大小是普通VCF的3~5倍，全基因组单样本GVCF经常 50~100 GB。这时候你不可能用文本格式——必须转BCF。所以流程里我推荐先把GVCF转BCF并建立索引，后续所有操作全在二进制层面跑。
避坑指南：格式转换与头文件玄学
我曾经在一条Pipeline里卡了三天，最后发现是因为VCF头里的contig定义不全。bcftools转换或合并时，如果contig不在头里，会直接报错跳过，导致最终文件少了一堆位点。切记：头文件元信息是VCF/BCF/GVCF的骨架，任何操作前先用 bcftools head 看一眼。
# 查看VCF头
bcftools head input.vcf.gz | less
# 将VCF转为BCF（自动带压缩和索引）
bcftools view -O b -o output.bcf input.vcf.gz
# 从BCF转回VCF
bcftools view -O v -o output.vcf output.bcf- 原始数据尽量保持VCF.gz（兼容性好）
- 流程中间环节全用BCF（索引、速度、空间）
- 群体分析启用GVCF→BCF路线，最终输出VCF.gz
- 每次格式转换后，用
bcftools index -s检查索引行数
看到这个结构图你就明白了：无论是VCF、BCF还是GVCF，它们都共用这个“头+列头+数据行”的骨架。差别只在于GVCF的数据行更多更密，BCF只是把同样的信息用二进制打包。做Pipeline时，理解这一点就够了。