VEP基础用法：命令行参数、输入输出、常用选项
VEP 这东西，说白了就是给你的 VCF 文件做“基因注解”。你手里有一堆突变位点，但不知道这些位点在哪个基因上、影响什么转录本、是不是已知的致病位点——VEP 就是干这个的。
我个人习惯是先看它的输入输出，再一步步调参数。你想想看，连数据从哪进、往哪出都没搞明白，后面调啥都是白搭。
基本命令骨架
VEP 的运行命令，其实核心就那么几个参数。我拿个真实项目里的命令给你演示一下：
vep \
--cache \
--offline \
--assembly GRCh38 \
--input_file input.vcf \
--output_file output_annotated.vcf \
--vcf \
--symbol \
--terms SO \
--variant_class这行命令里，--input_file 和 --output_file 是必填的，一个指出你的原始 VCF 在哪，一个告诉 VEP 把结果写到哪里去。格式方面，输入可以是 VCF、BCF、VEP 自己的格式，甚至是 GFF 格式；输出默认是 VCF，但你也可以用 --tab 输出表格格式。
--tab 选项，输出变成表格格式，每个注释字段一列，清晰多了。
常用选项详解
--assembly：指定参考基因组版本
这个选项可是个坑。VEP 默认会用 GRCh37，但很多新项目跑的已经是 GRCh38 了。你想想看，用了错误的 assembly，基因坐标对不上，出来的注释全是错的。
# 指定为 GRCh38
vep --assembly GRCh38 ...
# 你也可以用 GRCh37
vep --assembly GRCh37 ...--variant_class：告诉你怎么看突变类型
这个选项会输出突变类型，比如错义突变、同义突变、终止获得等等。它实际上调用的是 --check_existing 和 --check_allele 功能，但更直观一些。
--variant_class 的输出我一般会这么用：筛选出那些“有害”的突变类型，比如“stop_gained”、“frameshift_variant”，直接定位到关键位点。做疾病队列分析时特别有用。
| 选项 | 参数值 | 作用 | 我的经验 |
|---|---|---|---|
| --assembly | GRCh37 / GRCh38 | 指定参考基因组版本 | 先确认 fasta 文件的版本，否则坐标全错 |
| --variant_class | 无（开关选项） | 输出 SO 描述的突变类型 | 筛选有害突变时必开 |
| --symbol | 无（开关选项） | 输出基因的 HGNC 符号 | 默认输出 Ensembl ID，加上这个才看懂 |
| --terms | SO / NCBI | 选择序列本体论术语体系 | 推荐用 SO，更符合研究习惯 |
| --cache | 无（开关选项） | 使用本地缓存数据 | 联网跑太慢，离线缓存是必备 |
--cache 与 --offline：离线的艺术
VEP 默认是联网查询数据库的。但你想想看，跑一整个项目，几千个 VCF 文件，每次都去连 Ensembl 服务器——那速度简直能让你怀疑人生。
所以我强烈建议你设置本地缓存。先下载对应 assembly 的缓存文件：
# 下载 GRCh38 的 VEP 缓存
wget ftp://ftp.ensembl.org/pub/release-110/variation/indexed_vep_cache/homo_sapiens_vep_110_GRCh38.tar.gz
# 解压到 VEP 缓存目录
tar -xzf homo_sapiens_vep_110_GRCh38.tar.gz -C ~/.vep/然后在命令行里加上 --cache 和 --offline：
vep \
--cache \
--offline \
--dir_cache ~/.vep/ \
--assembly GRCh38 \
--input_file input.vcf \
--output_file output_annotated.vcf \
--vcf \
--symbol \
--terms SO \
--variant_class--fork：利用多核加速
VCF 文件大起来，几百万行那是常有的事。单线程跑，慢得你想哭。VEP 支持多线程并行，用 --fork 选项指定线程数：
vep --fork 8 ...我一般会设成 CPU 核心数减 1，给系统留一个核心响应其他任务。但你也别贪心，设太多线程内存会爆掉。每个线程大概需要 1-2GB 内存，所以 8 线程差不多要 16GB 内存才稳。
--output_format：VCF 还是表格？
默认输出是 VCF，但如果你想做下游分析，表格格式更友好。用 --tab 或者 --json：
# VCF 格式（默认）
vep --vcf ...
# 表格格式
vep --tab ...
# JSON 格式
vep --json ...
# 合并输出所有转录本的注释
vep --everything ...我个人习惯先用表格格式看看结果，确认注释对了，再切回 VCF 格式用于下游工具。
核心工作流一图看懂
常用选项速查表
我把工作中最常用的选项整理成了表格，方便你直接复制粘贴用：
| 类别 | 选项 | 典型值 | 说明 |
|---|---|---|---|
| 输入输出 | --input_file | input.vcf | 输入 VCF/BCF 文件 |
| --output_file | output_annotated.vcf | 输出注释文件 | |
| --vcf / --tab / --json | --tab | 选择输出格式 | |
| 参考数据 | --assembly | GRCh38 | 基因组版本 |
| --cache | 无 | 使用本地缓存 | |
| --offline | 无 | 离线模式 | |
| 注释内容 | --symbol | 无 | 输出基因符号 |
| --variant_class | 无 | 输出突变分类 | |
| --terms | SO | 术语体系 | |
| --everything | 无 | 输出所有可用注释 | |
| 性能 | --fork | 4 或 8 | 并行线程数 |
几个实用的小技巧
- 先跑小文件测试：我习惯先拿一个只有几十行的 VCF 跑一遍，看看参数对不对。等确认没问题了，再全量跑。
- 用好 --dir_cache：缓存目录可以自定义，我一般放在项目目录下，这样不同项目可以用不同版本。
- 保存配置文件：把常用的参数写进一个脚本里，下次直接改输入输出文件就行，不用每次都敲一遍。
vep_config.sh，里面定义好所有参数，跑的时候直接 source 进去。
关于杂项参数
除了上面这些核心选项，VEP 还有一大筐可选参数。比如 --coding_only 可以只注释编码区变异，--minimal 可以精简输出。但我说实话，80% 的场景下你只需要我上面列的那几个。其他的等你遇到具体问题了再查文档也不迟。
--variant_class。这样不容易被一堆参数搞晕。
好了，VEP 的基础用法就这些。记住：assembly 对了吗？缓存下了吗？输出格式选好了吗？这三个问题搞定了，VEP 基本就跑得通了。剩下的就是选参数调优，那是后面章节会讲的内容。