二、VCF头部信息详解：元数据行、格式定义、样本列

拿到一个VCF文件，第一眼看到的就是那一堆以 ## 打头的行。说白了，头部就是VCF的“身份证”和“说明书”。没有它，下游工具根本不知道你在讲什么。我个人习惯是先扫头部，再看数据，因为很多坑都埋在这里。

2.1 元数据行（##开头）

每个元数据行都是一个键值对，格式固定。最常见的几个，我一个个说。

你可能会问，为什么同一个字段定义要写这么长？举个例子，Number 可以取 A、R、G、. 等值，解析器会据此决定字段长度。我在一个项目中遇到过，有人把 Number=1 写成了 Number=.，结果下游工具以为长度可变，直接抛出异常——排查了快半天。

2.2 格式定义（##FORMAT与FORMAT列）

样本数据的格式定义全在 ##FORMAT 元数据行里。每个样本在 FORMAT 列中的字段顺序必须与元数据行定义的顺序一致。我记得有一次做批次关联校正，因为不同工具生成的 FORMAT 顺序不同——比如有的把 GT 放第一列，有的放第二列——导致后续合并时样本数据全部错位。

常用格式字段一览：

大家注意，AD 的个数是 Number=R 还是 Number=A 取决于你用的定义。我曾手写过一个解析脚本，因为没仔细看 Number，直接导致深度统计差了整整一倍。所以，写代码前一定先检查 ##FORMAT 行里的 Number 参数。

bcftools query -f '%CHROM\t%POS[\t%GT\t%DP]\n' input.vcf | head -5

2.3 样本列（SAMPLE）

样本列是VCF中最“活”的部分。从 #CHROM 行开始，第10列及之后全是样本名。每列对应一个样本，列名通常就是样本ID。我经常看到有人把样本名写错一个字母，或者大小写不一致，导致下游关联分析时样本匹配不上。

样本列的结构很简洁：

#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT 样本A 样本B 样本C

FORMAT 列告诉解析器，这些管道分隔的值应该怎么拆。比如 FORMAT 是 GT:AD:DP，那么样本A列的内容可能是 0/1:12,8:20，按冒号拆开后第一个是基因型，第二个是等位深度，第三个是总深度。

bcftools query -l input.vcf

最后，来看看VCF头部完整的结构关系。下面这张图帮你一目了然。

嗯，这张图把头部三部分的关系画得很清楚：元数据行定义了所有字段的“出生证明”；#CHROM 行是列名；样本数据则按格式拆解显示。你想想看，如果没有元数据行里的 Number 和 Type，解析器根本不知道 AD 的值有几个逗号、该按什么类型读取，所以头部信息是VCF的灵魂。