第4章 bcftools工具入门：安装、基本命令与使用示例

做VCF一致性评估，bcftools是绕不开的核心工具。说白了，它就是处理VCF/BCF文件的瑞士军刀。我最早接触它的时候还是1.9版本，现在都到1.19了，但核心命令的思路一直没变。

这一章我们就把bcftools装好，再把最常用的几个命令摸透。你跟着我做一遍，后面分析多批次VCF时会顺手很多。

4.1 安装bcftools

安装方式有两种，我分别说一下。

4.1.1 从源码编译（推荐）

我个人习惯用源码编译，因为能控制依赖版本。你别怕编译，几步就完事。

# 下载源码
wget https://github.com/samtools/bcftools/releases/download/1.19/bcftools-1.19.tar.bz2
tar -xjf bcftools-1.19.tar.bz2
cd bcftools-1.19

# 配置与编译
./configure --prefix=/usr/local/bcftools
make -j4
make install

# 加入环境变量
echo 'export PATH=/usr/local/bcftools/bin:$PATH' >> ~/.bashrc
source ~/.bashrc

4.1.2 用包管理器安装

如果你在Ubuntu/Debian上图省事，可以用apt直接装。但我建议别用这个版本做生产分析，因为包管理器里的版本通常落后一两年。

sudo apt update
sudo apt install bcftools

# 验证安装
bcftools --version

4.1.3 验证安装

装完之后跑一下版本号。看到类似下面的输出，就算成了。

bcftools --version
bcftools 1.19
Using htslib 1.19
Copyright (C) 2024 Genome Research Ltd.

4.2 三个核心命令：view、query、stats

bcftools有几十个子命令，但做一致性评估最常用就是这三个。我按使用频率排个序。

命令	用途	我常用的场景
view	VCF的查看、过滤、转换	提取特定样本、按质量过滤
query	自定义格式输出字段	提取GT、DP做统计分析
stats	生成质量统计摘要	对比多批次数据质量

4.2.1 view命令

view是最基础的命令。它能把VCF转成文本看，也能做各种过滤。我平时用它80%的场景就是“看一眼数据长什么样”。

# 查看前10行
bcftools view input.vcf.gz | head -20

# 只看变异位点（过滤掉参考位点）
bcftools view -v snps input.vcf.gz

# 按样本提取
bcftools view -s sample1,sample2 input.vcf.gz

# 按区域提取
bcftools view -r chr1:100000-200000 input.vcf.gz

嗯，这里要注意：输出的格式默认是VCF。如果你想转成BCF（二进制格式），加个 -Ob 参数就行。BCF读起来快很多。

4.2.2 query命令

query是格式化输出神器。它可以把VCF里的信息按照你指定的顺序和格式打出来。我当时第一次用这个命令的时候，就觉得“终于不用写脚本解析VCF了”。

# 输出染色体、位置、参考碱基、突变碱基
bcftools query -f '%CHROM\t%POS\t%REF\t%ALT\n' input.vcf.gz

# 输出样本的基因型（GT）和测序深度（DP）
bcftools query -f '%CHROM\t%POS\t%GT\t%DP\n' -s sample1 input.vcf.gz

# 用列表形式输出所有样本的GT
bcftools query -l input.vcf.gz  # 先看样本名
bcftools query -f '%CHROM\t%POS\t[\t%GT]\n' input.vcf.gz

4.2.3 stats命令

stats用来生成VCF的统计摘要。它是你评估VCF质量的第一道窗口。我每拿到一批新数据，第一件事就是跑一遍stats。

# 生成统计
bcftools stats input.vcf.gz > stats.txt

# 可以用plot-vcfstats直接出图（需要python和matplotlib）
plot-vcfstats -p output_dir/ stats.txt

stats输出的内容很丰富。我重点看这几个指标：

• SNP数量 vs Indel数量（正常比例应该在10:1到20:1之间）
• Ti/Tv比率（全基因组大约2.0-2.1，全外显子大约2.8-3.0）
• 缺失率（这个后面做一致性评估时特别关键）

4.3 实战：用bcftools跑一个完整的质检流程

理论知识说完了，我带你走一遍实际项目中的典型流程。假设你拿到了一个批次的三例样本VCF，想做快速质检。

4.3.1 数据准备

我先用bcftools test生成一个演示数据。这样你也能跟着跑。

# 生成演示数据
bcftools test > test_samples.vcf

# 压缩并建立索引（标准做法）
bgzip test_samples.vcf
tabix -p vcf test_samples.vcf.gz

4.3.2 查看基本信息

# 看样本名
bcftools query -l test_samples.vcf.gz

# 看有几个位点
bcftools view -H test_samples.vcf.gz | wc -l

# 看变异类型分布
bcftools view -H test_samples.vcf.gz | awk '{print $4"\t"$5}' | sort | uniq -c

4.3.3 质量过滤

实际项目中我通常会把质量很低的位点筛掉。标准做法是保留QUAL>30、缺失率<20%的位点。

# 按质量过滤
bcftools view -i 'QUAL>30 && F_MISSING<0.2' \
  test_samples.vcf.gz \
  -Oz -o filtered.vcf.gz

# 重新索引
tabix filtered.vcf.gz

4.3.4 生成统计报告

# 过滤前后对比
bcftools stats test_samples.vcf.gz > raw_stats.txt
bcftools stats filtered.vcf.gz > filter_stats.txt

# 看一眼关键的Ti/Tv
grep "Tstv" raw_stats.txt
grep "Tstv" filter_stats.txt

4.4 本章知识图谱

我画了一张流程图，帮你理清bcftools在VCF处理中的位置和本章知识点。

4.5 本章小结

这一章我们把bcftools装上了，也把view、query、stats三个命令跑通了。你可能注意到了，这些命令看起来简单，但配上不同的过滤表达式和格式控制符，能组合出非常强大的功能。

做一致性评估前，我建议你至少跑一遍stats看看数据底子。如果原始数据质量太差，后面的评估就没意义了。