📚 课程目录第4章 VCF文件解析

VCF 文件解析：深入理解 QUAL、FILTER、INFO 字段

VCF（Variant Call Format）文件，说实话，是生物信息学里绕不开的“硬通货”。不管你是做 GWAS、群体进化还是肿瘤变异检测，每天打交道最多的可能就是它。我个人习惯是，拿到一个新的 VCF 文件，先不看变异位点，而是扫一眼文件头部的元数据行——这里头埋着整个文件的质量潜规则。

VCF 文件的基本结构

一个标准的 VCF 文件，说白了就是一个带头的制表符分隔表格。头部以 ## 开头，记录元信息；数据行以 #CHROM 开头，定义列名。我刚开始接触时，总觉得头部那一堆 ##INFO、##FILTER 挺占地方，直接跳过看数据。结果后来发现，某个关键质量字段的含义只看文档根本对不上，得回头翻头部的定义。

头部元数据行长这样：

##fileformat=VCFv4.2
##FILTER=<ID=PASS,Description="All filters passed">
##FILTER=<ID=LowQual,Description="Low quality">
##INFO=<ID=DP,Number=1,Type=Integer,Description="Total Depth">
##INFO=<ID=AF,Number=A,Type=Float,Description="Allele Frequency">
##FORMAT=<ID=GT,Number=1,Type=String,Description="Genotype">
#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT SAMPLE1

每个数据行包含 8 个固定列，然后是一个 FORMAT 列加上任意数量的样本列。固定列的序号和顺序不能变，这也是 VCF 的“硬规定”。

QUAL：位点的“置信度打分”

QUAL 字段放的是一个浮点数，代表“该变异位点存在的概率质量分数的 Phred 转换”。嗯，听起来有点绕，你直接把它理解为“这个位点靠谱程度的打分”就行。值越大，越可信。

计算公式基本是：

QUAL = -10 * log₁₀(P(位点是假阳性))

举个例子，QUAL 值为 30，意味着假阳性概率约为 0.001（千分之一）。QUAL 值为 40，概率就是 0.0001。说白了，每增加 10 分，假阳性概率减少一个数量级。

注意：QUAL 不是由比对软件直接给的，而是由变异检测器（如 GATK、FreeBayes）根据读段比对质量、碱基质量、比对唯一性等特征综合计算出来的。不同软件算出来的 QUAL 不能直接比较，硬比会出大问题。

我曾经在整合多个 VCF 文件时，发现同一个位点的 QUAL 值相差十几分，开始怀疑是不是数据出了问题。后来才意识到，一个来自 GATK、一个来自 Samtools，打分模型完全不同。

FILTER：筛选状态的“通行证”

FILTER 字段表示该位点有没有通过用户或软件预设的质量条件。常见的值包括：

PASS：通过了所有过滤规则。
.（点）：没有应用过滤，或者过滤条件未定义。
LowQual / LowDepth：自定义过滤标签。
q10 / qd2等：某些流程按阈值直接给标签。

为什么要搞这么麻烦？因为你想想看，某些研究需要极高精度的位点（比如临床诊断），而另一些研究（比如初步筛查）可以接受一定容忍度。有了 FILTER 字段，你可以快速筛选出对应的子集，而不用每次都重新计算。

避坑：不要只看 FILTER = PASS 就以为位点是可靠的。PASS 仅代表通过了预设规则，不保证生物学真相。我曾经遇到过一批全 PASS 的位点，后来在实验验证中假阳性率高达 20%，原因是过滤规则设得太松，没考虑到重复区域的参考偏误。

INFO：位点特征信息的“百宝箱”

INFO 字段是 VCF 里信息密度最高的地方。它是一个键值对列表，用分号分隔，每条记录定义在头部元数据中。常见的 INFO 字段包括：

字段	类型	描述	典型值范围
DP	Integer	该位点的总测序深度	10 – 500+
QD	Float	QUAL 值除以深度（质量/深度比）	0 – 30+
MQ	Float	支持该变异的读段比对均一性	0 – 60
AF	Float	等位基因频率（可接受多个值）	0 – 1
ExcessHet	Float	杂合子过量的 p 值	0 – 1
FS	Float	链偏好性的 Fisher 精确检验 p 值	0 – 60+

为什么 INFO 字段这么重要？因为它把位点的多个质量维度都打包进来了。只靠 QUAL 一个值，你很难判断一个深度低但碱基质量好、和一个深度高但链偏好明显的位点哪个更可靠。但有了 DP、QD、FS、MQ 这些特征，你可以做更精细的分层过滤。

我个人最喜欢用的是 QD（质量/深度比）。为什么？因为它天然地对高深度假阳性不敏感。我见过一个深度达 1000× 的位点，QUAL 值只有 200，看起来还过得去，但 QD 只有 0.2，明显是假阳性——可能是重复区域或比对错误导致的。

一个典型的 INFO 记录示例

下面是从真实 VCF 文件中截取的一行：

chr1    123456  .   A   G   945.77   .    DP=218;QD=13.8;MQ=59.3;FS=3.2;AF=0.44

解读一下：

QUAL = 945.77，非常高，但单独看意义不大。
DP = 218，深度充足。
QD = 13.8，远高于常见的过滤阈值 2，靠谱。
MQ = 59.3，接近完美（最高 60），说明读段比唯一性好。
FS = 3.2，非常低（小于 10 通常视为无链偏好），说明正反链覆盖平衡。
AF = 0.44，接近杂合子期望值 0.5，符合真实变异分布。

这样一个位点，如果在你的过滤规则里还在挣扎，那说明你的规则太严了。

VCF 三大字段的评估流程

下面这张图总结了我在工作中解析 VCF 的核心逻辑。从原始 VCF 出发，先理解头部定义，然后分别处理 QUAL、FILTER、INFO，最后统一进入过滤决策。

三个字段的关系与权衡

你可能会问：三个字段能不能互相替代？答案是不能。QUAL 反映统计置信度，FILTER 反映规则是否通过，INFO 提供多维特征。它们三个就像“分数、考勤、作业表现”的关系，单独看哪一项都不全面。

我举个实际例子：某个高深度 CNV 区域，QUAL 很低但 FILTER=PASS，信息字段里的 FS 却非常高。这种情况很可能是重复序列导致的比对偏好，但又没触发软件默认的过滤阈值。如果你只看 FILTER 就放过，模型就被污染了。

    经验之谈：我在构建位点质量特征的时候，会把 QUAL 作为基线，然后用 INFO 字段（比如 QD、FS、MQ）构建一个多维度评分向量。最后再结合 FILTER 做一个二分类筛选。这样既能保留高质量位点，又不轻易丢弃潜力位点。

实操小贴士

最后，分享一个我常用的小脚本片段。它用于从一个 VCF 文件中提取关键质量字段，并打印出来做快速质控：

import vcf

with open('input.vcf', 'r') as vcf_file:
    reader = vcf.Reader(vcf_file)
    for record in reader:
        qual = record.QUAL
        filt = record.FILTER
        info_dp = record.INFO.get('DP', None)
        info_qd = record.INFO.get('QD', None)
        info_fs = record.INFO.get('FS', None)
        print(f"位点: {record.CHROM}:{record.POS}")
        print(f"  QUAL: {qual}, FILTER: {filt}")
        print(f"  DP: {info_dp}, QD: {info_qd}, FS: {info_fs}")

这段代码读入 VCF 文件，分别提取三个关键字段。你可以在自己的流程里套用，快速扫描一批位点的质量分布，然后决定下一步要替换还是调整过滤参数。