使用bcftools合并多批次VCF：merge与concat的实战选择

做多批次VCF合并，bcftools merge和bcftools concat到底该用哪个？

这个问题，我当年刚接触生信时也晕过好一阵子。两个命令都能把多个VCF文件合并成一个，但结果却天差地别。选错了，轻则数据丢失，重则引入假阳性变异，后面所有分析白做。

说白了，merge是按位点合并，concat是按区域拼接。理解了这个本质区别，你就知道每个场景该用什么工具了。

merge与concat的核心区别

嗯，这里的核心就是：样本维度还是区域维度。你自己想想看，如果你的数据是同一批样本在不同时间点做的测序，那显然要用merge；如果你只是把不同染色体的结果拼在一起，那concat才是正解。

实战对比：两种合并方式

场景一：同一区域的多个样本VCF，用merge

假设你有3个样本的gVCF，都在chr1:1-100000区间，想合并成一个多样本VCF：

# 先用bgzip压缩并建立索引
bgzip -c sample1.vcf > sample1.vcf.gz
bgzip -c sample2.vcf > sample2.vcf.gz
bgzip -c sample3.vcf > sample3.vcf.gz
tabix -p vcf sample1.vcf.gz
tabix -p vcf sample2.vcf.gz
tabix -p vcf sample3.vcf.gz

# 合并三个样本
bcftools merge -O z -o merged.vcf.gz sample1.vcf.gz sample2.vcf.gz sample3.vcf.gz

# 查看样本数变化
bcftools query -l merged.vcf.gz

输出结果：样本列表会包含sample1、sample2、sample3三个。如果某样本在某个位点没有检出，merge会填充./.来表示缺失。

场景二：不同染色体的VCF，用concat

假设你做完call变异后，得到了每个染色体的独立VCF：

# 按染色体顺序拼接
bcftools concat -O z -o whole_genome.vcf.gz chr1.vcf.gz chr2.vcf.gz chr3.vcf.gz

# 也可以用通配符
bcftools concat -O z -o whole_genome.vcf.gz chr{1..22,X,Y}.vcf.gz

这里的逻辑很简单：只是把VCF文件按坐标首尾连起来。合并后的总样本数不变，位点数是各染色体位点数的简单加和。concat不检查样本是否一致，它假定每个VCF文件的样本列表完全相同。

如何选择？我的实战决策流程

让我用一张流程图把决策逻辑说清楚：

这个图其实已经把逻辑捋得很清楚了。我再补充几个实际项目中的经验：

参数详解与避坑指南

bcftools merge 关键参数

# 我最常用的合并命令
bcftools merge \
  --merge all \              # 合并策略：all/join/both/snps/indels
  --info-rules DP:sum,GQ:avg \  # INFO字段合并规则
  --format-rules GT:avg \       # FORMAT字段合并规则
  -O z \                        # 输出压缩VCF
  -o merged.vcf.gz \            # 输出文件
  sample1.vcf.gz sample2.vcf.gz sample3.vcf.gz

bcftools concat 关键参数

# 我最常用的拼接命令
bcftools concat \
  --allow-overlaps \          # 允许重叠区域
  -O z \                      # 输出压缩VCF
  -o whole_genome.vcf.gz \    # 输出文件
  chr1.vcf.gz chr2.vcf.gz chr3.vcf.gz

实战中容易踩的坑

总结：一句话记住

merge是"竖着拼"——增加样本数，按位点对齐

concat是"横着拼"——增加区域范围，保持样本数不变

嗯，你只要记住了这个本质区别，以后在任何场景下都不会选错工具。至于参数细节，用的时候查一下文档就好。