📚 课程目录第4章常用VCF注释工具

第4章：常用VCF注释工具——ANNOVAR、SnpEff、VEP的安装与使用，输出格式对比

拿到了高质量的 VCF 文件，下一步就是给它“贴标签”。说白了，我们要把那些染色体位置和碱基变化，翻译成“这个突变在哪个基因上”、“它改变了什么蛋白质”、“在人群里频率高不高”这些生物信息。

做这件事的工具很多，但最常用的就是三个：ANNOVAR、SnpEff 和 VEP。我做了这么多年项目，这三个工具几乎包揽了我95%以上的注释任务。它们各有脾气，但掌握好了，效率会高很多。

一句话总结它们的分工：
ANNOVAR：主打灵活和数据库兼容，像个“万能瑞士军刀”。
SnpEff：主打速度和效力预测，像个“专注的短跑运动员”。
VEP：主打全面和标准，像个“严谨的百科全书”。

这一章，我就带你把它们挨个装一遍、跑一次、再看输出。你想想看，光看文档很难有天数的，跟着命令行敲一遍才是真本事。

4.1 ANNOVAR：灵活的“老大哥”

ANNOVAR 是我最早接触的工具。它的特点就是“不挑食”——几乎任何数据库，只要你能下载到，它就能帮你注释上去。

4.1.1 安装与配置

ANNOVAR 需要申请才能下载，但流程很简单。去官网填个邮箱，拿到下载链接就行。没有复杂的依赖，就一个 Perl 脚本。

# 下载并解压（假设已经获取到下载链接）
wget http://www.openbioinformatics.org/annovar/download/0wgxR2rIVP/annovar.latest.tar.gz
tar -xzf annovar.latest.tar.gz
cd annovar

# 下载常用的参考数据库（以 hg38 为例）
# 人类基因组注释数据库
./annotate_variation.pl -buildver hg38 -downdb -webfrom annovar refGene humandb/
# 群体频率数据库（如 gnomAD）
./annotate_variation.pl -buildver hg38 -downdb -webfrom annovar gnomad_genome humandb/

经验之谈： 数据库下载是耗时最长的步骤，有时网络问题会导致中断。我建议你一次只下载必要的库，别一股脑全下。gnomAD 那个库很大，得有几十个G，确保硬盘空间够用。

4.1.2 基本使用

# 注释 VCF 文件
perl table_annovar.pl input.vcf humandb/ \
  -buildver hg38 \
  -out myanno \
  -remove \
  -protocol refGene,gnomad_genome \
  -operation g,f \
  -nastring . \
  -vcfinput

解释一下参数：-protocol 指定要用的数据库列表，-operation 告诉工具这些数据库是基因注释（g）还是频率过滤（f）。-nastring . 表示缺失值用点号填充，这样后续处理更统一。

4.2 SnpEff：速度派选手

SnpEff 就是个纯粹的“效果预测”工具。它不在乎人群频率，只关心这个突变对基因和蛋白序列的影响。我在做变异致病性初筛时经常用它，因为它快，而且内置了 HGVS 命名规范。

4.2.1 安装与配置

SnpEff 是 Java 写的，所以需要 Java 环境。安装很简单，下载 jar 包就行。

# 下载 SnpEff
wget https://snpeff.blob.core.windows.net/versions/snpEff_latest_core.zip
unzip snpEff_latest_core.zip
cd snpEff

# 下载人类基因组数据库（以 GRCh38.p13 为例）
java -jar snpEff.jar download -v GRCh38.p13

注意： SnpEff 的数据库下载可能会因为内存不足而失败。我遇到过这种情况，后来给 Java 分配更多内存才解决。建议这样设置：

java -Xmx8g -jar snpEff.jar download -v GRCh38.p13

4.2.2 基本使用

# 注释 VCF 文件
java -Xmx4g -jar snpEff.jar -v GRCh38.p13 input.vcf > output.snpeff.vcf

就是这么简单。输出的 VCF 会在 INFO 字段里加一个 ANN 标签，里面详细记录了变异类型（比如 missense_variant，synonymous_variant）、影响的转录本、蛋白质改变（p.Asp123Glu）等。

4.3 VEP：严谨的百科全书

VEP（Variant Effect Predictor）是 Ensembl 出品，功能最全面。如果你要做大规模分析，或者需要很多详细信息（比如 SIFT、Polyphen 等致病性预测），VEP 是不二之选。

4.3.1 安装与配置

VEP 可以通过 Perl 模块安装，也可以用 Docker。我推荐初学者用 Docker，免去依赖烦恼。

# 使用 Docker 拉取 VEP 镜像
docker pull ensemblorg/ensembl-vep

# 或者使用 Perl 安装（较复杂）
# git clone https://github.com/Ensembl/ensembl-vep.git
# cd ensembl-vep
# perl INSTALL.pl

# 下载缓存数据（以 GRCh38 为例）
docker run -v /data/vep_cache:/data/vep_cache ensemblorg/ensembl-vep \
  perl /opt/vep/src/ensembl-vep/INSTALL.pl \
  -a cf -s homo_sapiens -y GRCh38 -c /data/vep_cache

我的建议： VEP 的缓存数据是必须提前下载的。我第一次用的时候没注意，结果运行时在线查数据库，慢得要命。缓存下载后，把路径设置到环境变量里，以后就省事了。

4.3.2 基本使用

# 注释 VCF 文件（Docker 方式）
docker run -v /data/vep_cache:/data/vep_cache \
  ensemblorg/ensembl-vep \
  perl /opt/vep/src/ensembl-vep/vep \
  --cache --dir_cache /data/vep_cache \
  --input_file input.vcf \
  --output_file output.vep.vcf \
  --vcf \
  --everything

--everything 参数会开启所有可用的注释选项，包括：转录本 ID、变异类型、SIFT 预测、PolyPhen 预测、HGVS 命名、外显子/内含子位置等。

4.4 输出格式对比：三份报告的“读法”

工具装好了，跑完了，关键一步来了——看结果。三个工具的输出格式差别很大。我整理了一个对比表，你一看就明白。

对比维度	ANNOVAR（`.variant_function`）	SnpEff（VCF 中的 `ANN` 字段）	VEP（VCF 中的 `CSQ` 字段）
字段结构	每行 = 一个变异 + 多个基因关系	一个 ANN 字段包含多个子条目，用逗号分隔	一个 CSQ 字段包含多个子条目，用逗号分隔
数据来源	用户指定数据库（如 refGene, gnomAD）	内置数据库，依赖 SnpEff 自身版本	Ensembl 数据库，依赖 VEP 缓存
注释深度	简单：基因名、位置、突变类型	中等：突变类型、HGVS、效力预测	全面：突变类型、HGVS、SIFT/PolyPhen、保守性、人群频率等
自定义能力	极高：可加任意自定义数据库	低：主要通过参数控制输出	中：可通过插件扩展（如 CADD）
解析难度	低：表格格式，清晰易懂	中：VCF 格式，需要解析 INFO 字段	高：VCF 格式，CSQ 字段内容非常丰富

我举个实际例子。假设一个变异 chr1 100 A G。

ANNOVAR 会输出一行：exonic NM_001005484.1:exon2:c.78A>G p.Leu26Leu，告诉你这是一个同义突变。
SnpEff 在 VCF 的 INFO 字段里写：ANN=G|synonymous_variant|LOW|...|p.Leu26Leu|...}
VEP 在 VCF 的 INFO 字段里写：CSQ=G|synonymous_variant|...，还附带 SIFT 值和 PolyPhen 值。

4.5 选哪个？我的建议

没有一个工具能覆盖所有场景。我一般这样选：

初筛跑全基因组：用 SnpEff，速度快，能快速过滤掉同义突变。
做精细分析或药物基因组学项目：用 ANNOVAR + 自定义数据库（比如药物代谢相关的 PharmGKB 映射）。
写论文或提交公共数据库：用 VEP，因为它最符合 Ensembl 和 ClinVar 的规范，审稿人比较认可。

还有一种常见做法：先用 SnpEff 批量注释，挑出可能有影响的变异，再用 VEP 对这些候选位点做深度注释。这样既省时间又不丢精度。

4.6 本章知识脉络：VCF 注释工具选型流程

为了让你更直观地理解这三个工具在整体流程中的位置，我画了一张图。它展示了从原始 VCF 到最终注释结果的决策路径。

4.7 避坑指南

我曾遇到过的问题：

基因名称不一致：同一段区域，ANNOVAR 用 RefSeq 命名（NM_001005484），SnpEff 用 Ensembl 命名（ENST000003...）。在构建知识图谱时，一定要做基因 ID 的对应关系映射，否则节点会重复。
版本不对应：如果你用 hg19 的参考基因组，SnpEff 用 GRCh37，VEP 用 GRCh37，它们虽然对应同一个版本，但内部数据库的转录本编号可能不同。我建议全程统一用 GRCh38/hg38。
并行注释时的 I/O 瓶颈：当你同时对多个 VCF 文件跑注释时，硬盘读写会成为瓶颈。我会临时挂载 RAM Disk 来加快小文件处理。

总结一下这三个工具的定位，你就清楚了：

ANNOVAR：适合你手里有独特数据库，或者需要灵活定制输出格式的场景。
SnpEff：适合大规模初筛，或者对速度有要求的生产环境。
VEP：适合需要详细功能预测，以及符合国际规范的分析。

安装和使用只是第一步。在后续的章节里，我们会把这些注释结果真正地喂给知识图谱，让它们发挥出“关联分析”的威力。