第1章 VCF格式概述

我个人做变异分析这么多年，接触过的格式少说也有十几种。但要说哪个最绕不开，那还得是VCF。说白了，VCF就是变异 calling 结果的通用语言。你不管用什么软件跑的变异检测，最终要想做注释、做筛选、做可视化，几乎都得回到VCF这个格式上来。

本章咱们就把VCF的骨架先摸清楚。我不打算一上来就丢一长串规范文档，咱们从实际文件的结构入手，把每个字段是干什么的、为什么要这么设计，都掰扯明白。

1.1 VCF文件的三大块

一个标准的VCF文件，其实就三部分内容。我习惯这样记：元数据、表头、数据行。元数据告诉你这个文件是怎么来的，表头告诉你每一列代表什么，数据行就是真正的变异记录。拿一个最简单的VCF文件片段来说：

##fileformat=VCFv4.2
##source=myPipeline_v1.0
##contig=<ID=chr1,length=248956422>
##INFO=<ID=DP,Number=1,Type=Integer,Description="Total Depth">
##FORMAT=<ID=GT,Number=1,Type=String,Description="Genotype">
#CHROM  POS     ID      REF     ALT     QUAL    FILTER  INFO    FORMAT  SAMPLE1
chr1    10000   .       A       G       500.23  PASS    DP=120  GT      0/1

元数据行以两个#开头，表头行以一个#开头，数据行不要#。这个区分其实挺好记的。我在项目初期带新人时，经常看到有人把元数据和表头混着写，结果解析工具直接报错。嗯，这里要注意，元数据必须放在表头之前，顺序不能乱。

1.2 核心字段逐个拆解

表头后面的数据行，固定有8个核心字段，再加上后面的样本列。我把它们的含义和常见坑点整理成了一张表：

字段	含义	我遇到过的坑
CHROM	染色体名称，需与参考基因组一致	引物设计时发现染色体名前带"chr"和不带混用，直接导致下游报错
POS	变异在染色体上的起始位置（1-based）	1-based的坐标容易和BED格式（0-based）搞混，我吃过这个亏
ID	已知变异的标识符，如dbSNP的rs号	常用点号占位，不代表没有ID
REF	参考基因组上的等位碱基	长度可为多碱基，但必须与参考一致
ALT	检测到的替代等位碱基	多个等位基因用逗号分隔，不要用空格
QUAL	Phred质量分数	分数越高越可靠，但我见过有人直接当p-value用，完全不是一回事
FILTER	过滤标签	PASS表示通过，否则是具体失败原因
INFO	位点级别的附加信息	使用key=value形式，多个用分号隔开

1.3 元数据说了什么

元数据这部分，初学者容易忽略。其实它就像菜的包装说明，告诉你这包数据过了哪些处理、用了什么参考基因组、定义了哪些INFO键和FORMAT键。

最常用到的元数据标签有这么几类：

• fileformat：VCF规范的版本号，目前主流是VCFv4.2
• source：生成该VCF的软件或流程
• reference：参考基因组的路径或版本
• contig：定义每条染色体的ID和长度
• INFO：声明INFO字段中的键，包含类型、数量和描述
• FORMAT：声明FORMAT字段中的键，包含类型、数量和描述
• FILTER：声明FILTER字段中出现的过滤原因

为什么要花篇幅讲元数据？因为下游工具，比如SnpEff、ANNOVAR、VEP，它们的解析逻辑高度依赖元数据中的声明。如果你自己写脚本处理VCF，也一定要先提取元数据做校验。我曾经接手过一个历史项目，里面INFO字段的DP被声明为Float，但实际数据里写的是Integer，解析直接崩了。所以，元数据就是契约，别自己破坏它。

1.4 INFO与FORMAT的区别与结构

这个问题我每次讲课都会被问到。INFO和FORMAT都是一个键值对字符串，但作用域完全不同：

• INFO：作用于整个位点（一行就一个值），比如覆盖深度、变异类型
• FORMAT：作用于每个样本的单个基因型，比如GT、AD、PL

拿之前那个例子来说：INFO=DP=120表示这个位点的总覆盖深度是120，无论有多少样本，这个值都是一个。而FORMAT=GT对应样本列0/1，表示该样本在这个位点是杂合子。

为什么不能把样本级别的深度也放进INFO？你想想看，如果我有100个样本，每个样本的深度都不一样，放在INFO里就得写100个键，那得多乱。FORMAT就是为了这种样本级别的结构化数据而设计的。

1.5 常用格式规范小结

聊完结构，我把自己常用的几条规范清单列出来。这些规矩不遵守，工具就报错；遵守了，大家数据交换时也省心。

规范项	具体要求
字段分隔符	使用制表符，不能混用空格
缺失值	用.占位，不要留空
字符串编码	统一用UTF-8，无BOM
换行符	Unix风格（LF），不要用CRLF
压缩方式	推荐使用bgzip压缩，配合tabix建立索引

最后，我把本章的知识体系用一张图串起来，方便你了解VCF的全局结构：