4. bcftools 常用校验命令：stats、filter、query
聊到 VCF 校验，bcftools 绝对是我每天都要打交道的工具。它不光是处理工具，更是咱们质检的“照妖镜”。今天我就把压箱底的三板斧——stats、filter、query——掰开揉碎了讲给你听。相信我，用好它们，绝大多数质控问题都能一眼看穿。
4.1 先上硬菜：bcftools stats —— 全局态势感知
我个人习惯，拿到一个 VCF 文件，第一件事不是看具体位点，而是跑一遍 bcftools stats。这就像体检时的血常规报告，告诉你整体质量是优是劣。
基本命令很简单：
bcftools stats input.vcf.gz > stats.txt这个输出文件可了不得，里面包含了十几种统计指标。我重点盯下面这几个：
| 统计项目 | 意义 | 我的关注点 |
|---|---|---|
| number of SNPs | SNP 总数 | 跟预期目标区域大小对比，差异过大就是异常 |
| number of indels | Indel 总数 | Indel 占比过高，暗示比对或组装有问题 |
| number of multiallelic sites | 多等位基因位点数 | 我见过测序深度不均时，这个数会飙升 |
| Ts/Tv ratio | 转换/颠换比 | 全基因组大概 2.0-2.1，外显子组更高 |
| number of samples | 样本数 | 跟预期对不上？可能是样本合并时出了岔子 |
| number of records | 总记录数 | 空位点？重复行？这里会露馅 |
plot-vcfstats 直接画成图。图像比数字更直观，一眼就能看出哪个染色体变异率异常。
举个例子，有一次我处理一份肿瘤配对样本。stats 跑完发现 Ts/Tv 只有 1.5。我当时就警觉了——这肯定不对。后来仔细查，原来是测序数据里混入了大量接头序列，导致虚假变异。你看，一个数就揪出了上游的大问题。
4.2 精准打击：bcftools filter —— 按规则有选择地清除
Stats 告诉你哪有问题，那 filter 就是帮你动手解决问题的。它最大的优势是速度极快，不需要解压整个文件，直接流式处理。
基础语法我习惯这么写：
bcftools filter -e 'QUAL < 20 || DP < 10' input.vcf.gz -o filtered.vcf.gz注意那个 -e 参数，后面跟的是“剔除条件”。意思就是：满足这些条件的记录，删掉。-i 则是“保留条件”，刚好相反。
4.2.1 常用过滤表达式
我整理了几条在实际项目中绕不开的规则：
- 基于测序深度：
DP < 10 || DP > 1000—— 深度太低是随机噪音，深度太高可能是重复区域或拷贝数异常 - 基于基因型质量：
GQ < 20—— 基因型分型不可靠的位点，果断扔掉 - 基于等位基因平衡：
AB < 0.2 || AB > 0.8—— 杂合位点等位基因比例严重失衡，很可能是假阳性 - 基于缺失率：
F_MISSING > 0.1—— 缺失率超过 10% 的位点，统计效力会大打折扣
bcftools filter 做机械剔除，软过滤只标记不删除，给后续分析留条后路。
4.2.2 用 filter 做标记（Soft Filter）
有时候我不想直接删，而是先标记出来看看效果：
bcftools filter -s "LowQual" -e 'QUAL < 20 || DP < 10' input.vcf.gz -o soft_filtered.vcf.gz加个 -s 参数，会把不满足条件的位点在 FILTER 列写上 “LowQual”。这样下游分析可以选择忽略或者降低权重。
4.3 庖丁解牛：bcftools query —— 字段提取与定制输出
你想想看，有时候我们不想看整个 VCF，只想看看某个样本的基因型，或者某个区域的深度信息。这时候 query 就派上用场了。它就像一个瑞士军刀，能把 VCF 里任意字段精准掏出来。
最常用的几个场景：
# 提取所有样本的 GT 和 DP
bcftools query -f '%CHROM\t%POS\t%REF\t%ALT[\t%GT\t%DP]\n' input.vcf.gz
# 只输出 PASS 通过的位点
bcftools query -f '%CHROM\t%POS\t%REF\t%ALT[\t%GT]\n' -i 'FILTER="PASS"' input.vcf.gz
# 输出特定格式的基因型矩阵
bcftools query -f '%CHROM\_%POS[\t%GT]\n' -o genotype_matrix.txt input.vcf.gz这里 -f 后面跟的格式化字符串是关键。我刚开始学的时候老写错，后来总结了个规律：
- %CHROM、%POS 这些是固定字段，直接写
- [ ] 方括号内的东西，会对每个样本逐一遍历
- \t 是制表符，\n 是换行
query 别忘了加 -o 重定向到文件。我曾经直接在终端输出一个百万行级别的 VCF，屏幕刷了十分钟，最后 Ctrl+C 也救不回来，只能干瞪眼。
4.4 组合拳：stats + filter + query 一体化校验
真正的校验流程，从来不是单个命令跑完就算。我一般分三步走：
- 第一步：stats 全局扫描 —— 了解 VCF 的整体健康度
- 第二步：filter 精准去噪 —— 根据第一步发现的异常，定制过滤规则
- 第三步：query 抽样复核 —— 对过滤后的结果，提取关键字段做人工核查
为什么一定要按这个顺序？
因为 stats 能告诉你“哪里疼”，filter 根据疼痛点去“下药”，而 query 负责“复查疗效”。我见过很多人一上来就用 filter 把所有位点过滤一遍，结果把真阳性也误杀了。你想想看，先看看整体分布再做决定，是不是稳妥得多？
4.5 避坑指南与实用建议
最后，我分享几个实战中的小坑，都是真金白银换来的教训。
- stats 输出文件切记加后缀 .txt —— 我试过一次没加，结果被后续脚本错误解析，浪费了俩小时。
- filter 条件里用双引号还是单引号？ — 我建议统一用单引号
' '。双引号在 shell 里会和变量展开冲突，尤其是在循环脚本中。 - query 输出大文件时担心内存吗？ —— 不用怕，bcftools 的设计就是流式读写，不占内存。但要注意磁盘空间，我见过有人 query 出几百 GB 的文本文件。
- 参数太复杂记不住？ —— 把常用过滤模板写到一个配置文件里，每次
source一下。我自己就存了个vcf_filter_rules.sh，里面全是写好的bcftools filter -e命令。
-s 指定样本，结果所有统计都基于全部样本计算。后续分析里样本分群效果特别差，查了两天才发现是 stats 用了默认的样本集，把病例和对照混在一起统计了。从那以后，每次跑 stats 前我都会确认样本名单。
嗯，以上就是我对 bcftools 三剑客的实战总结。记住，校验不是机械地跑命令，而是要结合数据特点，灵活地组合运用。下次当你面对一个陌生的 VCF 文件时，不妨先用 stats 摸个底，再用 filter 洗个澡，最后用 query 仔细瞅瞅——心里就有底了。