第一讲：VCF文件格式解析——结构、字段与元数据行

大家好，我是老赵。今天我们正式开始《多批次VCF一致性分析实战》。

先聊点实在的。你在生信分析中肯定见过VCF文件，对吧？

但你真的「读」懂过它吗？

我见过太多人直接把VCF当成一个「带坐标的变异列表」，然后就开始跑分析工具。结果后面比对结果、做一致性分析时，发现样本名匹配不上、字段含义搞混、元数据行被忽略…最后整个分析结论都得重来。

所以第一讲，我们先啃VCF这块「硬骨头」。你把它彻底搞懂了，后面30章的实战才有根。

1.1 VCF到底是什么？

VCF全称 Variant Call Format。说白了，就是记录样本在基因组上「哪里发生了变异」，以及「变异的具体细节」。它由国际基因组样本联盟（1000 Genomes Project）推广，现在已经是生信界的标准了。

为什么重要？因为所有变异位点信息——SNV、Indel、结构变异、基因型——都可以塞进这个文本文件里。你想从多个批次中找出「同一个样本的同一块变异」，必须先把VCF的结构理清。

1.2 元数据行（Meta-information lines）

先看第1行：

##fileformat=VCFv4.2

这行告诉你当前文件使用的VCF版本。我自己的习惯是遇到VCF文件，先看这一行。4.0和4.2在某些字段定义上有细微差别，不注意就会掉坑。

然后就是大量的 ##INFO、##FORMAT、##FILTER 等定义行。举个例子：

##INFO=
##FORMAT=
##FILTER=
##contig=

很多人觉得元数据行「无关紧要」，直接跳过。我曾经犯过这个错误——有一次批处理时发现样本名始终对不上，结果回看才是 ##SAMPLE 元数据行里把样本ID写错了。从那以后，我每个VCF都要检查元数据行。

grep '^##' input.vcf | head -20

1.3 数据行（Data lines）

数据行以 #CHROM 开头的表头行作为分界。表头行格式如下：

#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT sample1 sample2

记住每一列的位置，后面的一致性比对就是基于这些列做键值匹配。

一条典型的数据行：

chr1    1000    rs12345    A    G    50.0    PASS    DP=100;AF=0.5    GT:DP:GQ    0/1:50:99    1/1:49:99

从第10列开始，就是样本列。每个样本列是一个「字段名=值」的组合，字段名由FORMAT字段定义。

嗯，这里要留意一个细节：FORMAT列里定义的标签顺序，直接对应后面样本列中值的顺序。一旦标签顺序写错了、多了一个，整个样本的基因型就解析错误。我见过有人手动编辑VCF样本列，结果顺序搞反，导致后面做一致性分析时全乱了。

1.4 关键字段说明

我刚开始接触生物信息学时，花了很长时间去理解INFO和FORMAT的差异。其实一句话就能说清：INFO是变异级别的属性（对所有样本都适用），FORMAT是样本级别的属性（每个样本不同）。你想想看，这个区别非常重要——在做多批次一致性分析时，你要选对字段做比较，否则分析就偏了。

1.5 基因型（GT）字段深度解析

GT（Genotype）是所有样本字段中最核心的一个。它用「/」或「|」分隔两个数字，表示父源和母源的等位基因。

举个例子：

• 0/0：纯合参考（没有变异）
• 0/1：杂合（一个参考，一个变异）
• 1/1：纯合变异
• 1/2：两个不同的变异等位基因
• ./.：缺失，表示没有检测到基因型

在实际项目中，./. 的样本列很容易被忽略。我记得有一次做三个批次的一致性分析，一个样本在第一批次是 0/1，在第二批次是 ./.。如果我不在意这个缺失值，直接把它当成「未变异」来处理，结论就完全反了。

1.6 本章知识体系图

为了方便你记住VCF的核心结构，我画了一张框架图。你看完应该能建立起整体认知。

1.7 实操小练习

光看不够，我建议你动手。随便找一个手上的VCF文件，打开看看：

less yourfile.vcf

先看前10行（元数据），再看表头行。然后数一数样本列有多少个，FORMAT列里定义了哪些标签。如果能把元数据行中的 ##contig、##INFO、##FORMAT 都理解一遍，你对VCF的「骨架」就有了把握。

这一讲的内容就到这里。记住VCF的结构，后面我们做多批次比对、合并、差异分析时，才能游刃有余。