VCF格式简介
VCF，全称Variant Call Format，是生物信息学里最常用的变异数据标准格式。说白了，它就是一张存变异位点信息的表格——你想知道一个样本在chr1:123456这个位置是A还是G？VCF里写得明明白白。
我最早接触VCF是在做肿瘤体细胞突变分析的时候，那时候刚入行，手头拿到一个几百MB的VCF文件，打开一看全是符号和缩写，完全看不懂。嗯，后来花了几天时间把标准啃下来，才发现这东西设计得其实挺优雅。
VCF的诞生与版本演变
VCF最早由1000 Genomes Project团队提出，目的是统一不同测序平台产生的变异结果。说白了一开始大家各写各的格式，有的用GFF，有的用BED，有的自己造个文本——那时候想要合并两个项目的变异数据，够你哭半天的。
VCF 1.0在2010年发布，随后快速迭代到4.x系列。目前主流是VCF 4.2，但VCF 4.3也已经出来好几年了，主要增加了对结构变异和AD字段的标准化。
个人经验：我强烈建议你在项目中始终用VCF 4.2或更新的标准。2015年的时候我接手过一个遗留项目，里面还是VCF 3.3，字段命名乱七八糟，一个INFO里的DP有时候是总深度，有时候是变异深度，坑了我整整一周。
VCF文件结构：三层骨架
一个标准VCF文件由三部分组成：元数据行、头部行、数据行。这三层缺一不可，且顺序固定。
- 元数据行（##开头的行）——描述文件版本、过滤条件、INFO定义、FORMAT定义等。
- 头部行（#开头的行，以#CHROM打头）——定义列名，包括固定九列和样本列。
- 数据行（没有#的行）——每行记录一个变异位点在当前样本集上的情况。
下面这张图能帮你直观理解VCF文件的整体结构，记住它你读VCF的时候心里就有谱了。
固定九列：读VCF的必修课
数据行最前面八个字段（加上FORMAT算半个）是固定的，我列个表你一看就明白：
| 列名 | 含义 | 必须吗？ |
|---|---|---|
| CHROM | 染色体或contig名称 | 是 |
| POS | 1-based位置 | 是 |
| ID | dbSNP ID（rs号）或其它标识，没有用"." | 是 |
| REF | 参考基因组等位基因 | 是 |
| ALT | 替代等位基因，逗号分隔多个 | 是 |
| QUAL | 质量分数（Phred-scaled） | 是 |
| FILTER | 过滤状态，PASS或具体滤过原因 | 是 |
| INFO | 位点级信息（键=值;键=值） | 是 |
| FORMAT | 后面样本列的数据格式定义（GT:GQ:DP...） | 有样本列时必须 |
注意：这里 第九列其实是FORMAT，后面跟着的是一个个样本。我见过不少新手把第一个样本列当成第九列，结果数据处理出来全是乱的。你记住：#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT 之后才是样本1、样本2……
INFO与FORMAT：你需要理解的双层存储
INFO存储的是位点级别的信息——整个位点在所有样本上的总结，比如总深度DP=100、所有样本的等位基因计数AC=5。
FORMAT加上样本列存储的是每个样本在这个位点上的具体信息——比如这个样本的基因型GT:0/1、该样本在该位点的深度DP:50。
这种设计是为了压缩存储。举个例子：家系研究中，某个位点所有样本的总深度是100（INFO里写一次），但每个孩子自己的深度可能分别是50、30、20（写在FORMAT对应的样本列里）。
避坑指南：我曾在做批次合并时犯过一个低级错误。两个VCF文件里同一个位点的INFO/DP定义不同，一个写Number=1，另一个写Number=.（可变个数）。结果bcftools merge直接报了类型不匹配错误。从那以后我每次合并前都会先检查元数据中的Number定义是否一致，尤其是AD、PL这类可变长度字段。
基因型字段：GT是核心中的核心
GT字段永远排在FORMAT的第一个位置（格式规范强制要求）。它用0表示参考等位基因，1表示第一个ALT，2表示第二个ALT，依此类推。|分隔代表定相（phased），/分隔代表不定相。
# 示例：一个双等位位点，参考为A，ALT为G
0/0 纯合参考
0/1 杂合（非定相）
1|1 纯合替代（定相）
0/2 杂合，第二个ALT（如果存在多等位基因）
你想想看，一个位点如果ALT不止一个，GT的编号逻辑会变复杂。我见过有人在处理多等位基因时直接用0/1代表第一个替代，结果第二个替代其实存在，但被忽略了——这个坑在批次关联分析中尤其致命，因为不同批次可能调换了ALT顺序。
注意：不同工具生成的VCF可能把ALT顺序排得不一样。比如bcftools normalize会把多个ALT按字母序重排，而GATK则是按检测到的顺序输出。如果你要做批次合并或关联分析，务必先做一次bcftools norm -m -any统一左对齐和交替等位基因排序。
为什么要学VCF结构？批次关联的基础
做批次关联分析，本质上就是把来自不同实验批次、不同测序平台、不同分析流程的VCF文件合并成一张大表。这时候你如果对VCF结构没有深刻理解，等着你的就是各种不兼容的报错：
- 元数据里ILUMINA vs. ILLUMINA拼写不一致，bcftools merge直接跳过
- FILTER字段有的写
PASS，有的写.，合并后过滤条件复杂化 - FORMAT定义不同（比如一个文件用
AD，另一个文件用DP4），合并后样本字段对不齐
我记得有一次做千人基因组与本地测序数据的合并，发现某批次的VCF里FORMAT=GT:DP，另一批次是FORMAT=GT:GQ:DP，合并后第一批次的GQ全变成了缺失值——后来我们额外在合并脚本里加了--fill-missing参数才补上。这就是为什么我反复强调，开始任何批次分析之前，先跑一遍vcf-validator或bcftools stats看看各文件的元数据一致性。
小技巧：快速查看VCF头部元数据用bcftools head -n 100 your.vcf | head -100，或者直接zless your.vcf.gz | head -100。检查关键字段定义是否一致，推荐写一个小脚本对比##INFO和##FORMAT行。等后续章节我会分享一个我常用的元数据差异检测脚本。
本章小结
VCF格式虽然琐碎，但它的设计非常符合变异数据的特点：位点级和样本级信息分开存储，结构灵活又不失规范。搞定三层结构、固定九列、INFO与FORMAT的差异，以及GT的编码逻辑，你读VCF就不会再发怵了。