VCF 格式基础：定义、版本历史与基本结构

大家好，我是老李。在基因组分析这行混了七八年，每天打交道最多的文件格式之一就是 VCF。说实话，刚入行那会儿我以为 VCF 就是个简单的变异表格，直到有一次用错了版本解析器，把 4.2 的文件当 4.1 读，结果 INFO 字段全乱套了——嗯，从那以后我就老老实实把 VCF 的基础啃透了。今天咱们就从头捋一遍：VCF 到底是什么，怎么来的，长什么样。

1. VCF 格式定义

VCF，全称 Variant Call Format，是存储变异位点信息的标准文本格式。它由一千人基因组计划（1000 Genomes Project）提出，现在由 GA4GH 维护。你想想看，一个 VCF 文件就是一张「变异清单」：每个位点一行，包含参考基因组上的位置、碱基变化、质量分数、过滤状态，以及样本的基因型信息。

我个人的习惯是把它理解成「三联单」：元信息说明数据怎么来的，表头定义每一列的含义，数据行就是实际的变异记录。缺了任何一块，你都没法正确解释一个 VCF 文件。

2. 版本历史与重要里程碑

VCF 版本迭代不算快，但每次升级都挺关键。我整理了一个简表，方便你对照：

版本	发布时间	主要变化
v4.0	2010	初始版本，定义核心字段（CHROM、POS、ID、REF、ALT、QUAL、FILTER、INFO、FORMAT、样本列）
v4.1	2011	增加 FILTER 行必须大写的约定，规范 ALT 中 、 等符号表示
v4.2	2014	引入 、 等高级替代符号，FILTER 支持 ';' 分隔的多个值
v4.3	2019	增加 #CHROM 前允许空行，规范 contig 元信息，支持更灵活的 FORMAT 字段

为什么会分这么多版本？说白了，随着测序技术和分析算法发展，单核苷酸变异（SNV）已经不够用了，结构变异、复杂替换都需要在 VCF 里表达清楚。我曾经在项目里遇到过用 v4.1 的 标记大片段删除，结果入数据库时才发现新版规范已经要求用 加上 INFO/SVLEN 和 INFO/END 字段……那一次花了两天重写转换脚本，教训深刻。

3. 基本结构：从元信息到数据行

一个标准的 VCF 文件分三大部分：元信息行（Meta-information lines）、表头行（Header line）和数据行（Data lines）。我们来看一个实际片段：

##fileformat=VCFv4.2
##FILTER=<ID=PASS,Description="All filters passed">
##INFO=<ID=DP,Number=1,Type=Integer,Description="Total depth">
##FORMAT=<ID=GT,Number=1,Type=String,Description="Genotype">
##FORMAT=<ID=AD,Number=R,Type=Integer,Description="Allelic depths">
#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT sampleA sampleB
chr1  100 . A G 30.5 PASS DP=100 GT:AD 0/0:50,0 0/1:30,20

注意这里的 ## 开头的行就是元信息，用来声明版本号、定义 FILTER、INFO、FORMAT 等字段的元数据。紧接着 #CHROM 开头的行是表头，固定 9 列（CHROM 到 FORMAT），之后每多一个样本就多一列。下面的每一行就是一条变异记录。

3.1 元信息区

元信息行基本遵循 ##key=value 格式。常用的有：

• ##fileformat= 版本声明，绝对不可缺少
• ##FILTER= 定义过滤条件
• ##INFO= 定义 INFO 标签的类型和含义
• ##FORMAT= 定义每个样本列的格式
• ##contig= 染色体长度等参考信息

3.2 固定数据列（前9列）

前 9 列是必需的，顺序不可改：

列名	含义	常见问题
CHROM	染色体名称（chr1 或 1）	命名不统一会导致合并 VCF 时出错
POS	1-based 起始位置	与 0-based 的 BED 对比时容易搞混
ID	已知的 dbSNP ID 或自定义标识，无则用 .	很多工具不接受空值，必须用 .
REF	参考等位基因	多碱基替换时大写中间不要有空格
ALT	替代等位基因，多个用逗号分隔	空值表示该位点无变异
QUAL	Phred 质量分数	缺失时用 .
FILTER	过滤状态，PASS 或具体过滤名	多个过滤用 ; 连接
INFO	键值对格式，如 DP=100;AF=0.5	Key 需在元信息中定义
FORMAT	样本字段标签，如 GT:AD:DP	顺序与后续样本列对应

3.3 样本列

FORMAT 列之后，每一列对应一个样本，数据格式按照 FORMAT 定义的顺序，用 : 分隔。比如 GT:AD 对应的样本数据可能是 0/1:30,20。

4. 整张图看清 VCF 结构

下面我手画了一张结构图，把上面说的三大部分串起来。你把它当成一张地图，以后看 VCF 就能快速定位。

5. 接下来你该做什么

了解了基本结构，我建议你动手做三件事：

1. 拿一个真实的 VCF 文件（比如 1000 Genomes 的公开 VCF），打开看看元信息行、表头、数据行是不是都齐全。
2. 数一数列数：用 head -1 your.vcf | awk '{print NF}' 看表头有几个字段。
3. 验证一下：用 bcftools view -H your.vcf | head -3 看看前几条数据行有没有异常（比如行列不对齐、TAB 被空格替换）。