多批次VCF产生背景
说实话，最开始碰多批次VCF对比我也是头大的。但现在做多了就发现，搞清楚这些VCF是怎么来的，比怎么比更重要。这一章我就带大家理一理，为什么会有这么多批次的VCF，以及它们之间差异的根源。
核心观点：多批VCF的差异，90%不是生物学变异，而是技术噪声。理解噪声源头，才能做对评估。
为什么会有多批次 VCF？
你想想看，现在测序成本降下来了，一个项目几百上千个样本很常见。但没几家实验室能一次性全跑完。分批跑，换平台，换流程，甚至换人——这种事太频繁了。
我个人的理解，分成三个主要场景：
- 同一实验室，不同批次——今天跑50个，下周跑50个，用的试剂盒可能都不一样了。
- 不同实验室，同项目——多中心研究、跨机构合作，每家都有自己的流程偏好。
- 公共数据整合——从GEO、SRA、dbGaP拉数据，每个提交者的处理管线都不一样。
一两个样本差异还不大。但几百个样本堆一起，差异就被放大了。
源头在哪里？
根源其实就三个维度。我画了张图帮你理清。
核心挑战是什么？
三股力量拧在一起，产生的VCF差异可不是简单能抹平的。我用表格列一下我这些年遇到的典型问题。
| 差异维度 | 典型表现 | 影响程度 |
|---|---|---|
| indel 定义差异 | 左对齐 vs 右对齐，相同变异被记在不同位置 | 高（影响合并） |
| 过滤标准差异 | 一个过滤PASS，另一个标记LowQual | 高（直接影响数量） |
| 拷贝数处理 | 有平台输出多等位基因，有平台只取双等位 | 中（复杂变异） |
| 性别染色体策略 | Y、MT包含与否，处理方式不一样 | 中（特定位点） |
| 参考版本差异 | hg19 vs GRCh38，位置完全不同 | 极高（无法直接比较） |
避坑指南：我曾经碰过一个项目，同一批样本在两个实验室跑了完全相同的流程，结果出来的VCF有30%的位点不一致。排查了两个月，最后发现是参考基因组版本差了一个补丁——GRCh37.p13和GRCh37.p5之间多了几个decoy序列。所以，检查参考版本永远是第一步。
VCF 质量差异有多大？
举个实际例子。以下是从两个不同批次取相同样本（NA12878）的VCF统计对比：
Batch_A: 总位点 4,623,351 PASS: 4,112,430 TS/TV: 2.18
Batch_B: 总位点 5,011,827 PASS: 4,009,882 TS/TV: 2.03
交集：3,827,115 非重叠：约 15-20%注意看，两个批次的总位点差了快40万，PASS比例也不同。如果你直接合并，就会引入大量“假差异”。
我个人习惯在评估前先跑一轮简单统计：
- 总变异数
- SNP/Indel比例
- 转换/颠换比（TS/TV）
- 过滤PASS比例
- 缺失率（每个样本missing call）
这些指标一旦出现明显偏差，就得先回去查流程差异，而不是急着比较具体位点。
我的经验：通常TS/TV偏差超过0.15，说明两个批次中至少有一个的caller参数有问题。Indel比例超过30%的批次要特别小心，可能过滤阈值设得太松。
总结要点
- 多批VCF是常态——只要样本分批次上机或测试，就逃不掉。
- 差异来自三个方向：平台、流程、实验室。每个方向都够你踩一堆坑。
- 评估不是找不同——而是通过标准化的操作，把不可比变成可比。
- 先做宏观统计，再做微观比较。跳过这步，后续分析很可能白费。
说穿了，理解多批次VCF产生的背景，是做好一致性评估的根基。你连差异从哪来的都不知道，拿什么去解释结果？