什么是Vcf文件？

Vcf，即variant call format，是用来描述SNP、INDEL、SV等变异结果的一种文件格式。我们在使用GATK或者samtools做SNP calling时，得到的就是vcf格式的文件。那么这个文件该怎么看呢？

例子：

VCF文件是文本文件，任意一款文本编辑器都能打开，从上面的例子上看，可以分为以两个“＃”号开头的注释说明部分和剩下的主体部分。注释说明部分主要为主体部分出现的一些tag的说明，以key=value形式记录信息，如INFO、FORMAT中的DP、AP、GT等。而主体部分包括一行以“＃”号开头的表头信息和其他的数据行，每个数据行记录一个variant的信息，我们做分析所需要的数据就在这里。主体部分每列的信息：

CHROM和POS：变异位点所在的染色体名称和位置，从１开始计数，如果是INDEL的话，位置是该INDEL第一个碱基的位置。

ID：variant的id。比如call出来的SNP在dbSNP数据库中存在，这里就会显示相应的rs号（当然前提是已经和dbSNP数据库做了比较）。

REF和ALT：参考序列的碱基和突变后的碱基。如果有多种不同于参考序列的基因型，在ALT列使用“，”隔开。如变异位点在参考基因组上的碱基为“G”，样品上突变后的基因型为“A”，则REF列为“G”，ALT列为“A”；如果突变后的碱基有多个如A和C，则ALT可以表示为“A,C”。这里需要注意ALT是针对这个变异位点而言，不针对特定样品。

QUAL：Phred格式(Phred_scaled)的质量值，表示在该位点存在variant的可能性，值越高，则variant的可能性越大。计算方法：Phred值= -10 * log (1-p)， p为variant存在的概率。通过计算公式可以看出值为10的表示错误概率为0.1，该位点为variant的概率为90%。

FILTER：理想情况下，QUAL这个值应该是用所有的错误模型算出来的，这个值就可以代表正确的变异位点了，但是事实是做不到的。因此，还需要对原始变异位点做进一步的过滤。无论你用什么方法对变异位点进行过滤，过滤完了之后，在FILTER一栏都会留下过滤记录，如果是通过了过滤标准，那么这些通过标准的好的变异位点的FILTER一栏就会注释一个PASS，如果没有通过过滤，就会在FILTER这一栏提示除了PASS的其他信息。如果这一栏是一个“.”的话，就说明没有进行过任何过滤。

INFO：这一列是variant的详细信息，格式以tag=value形式记录，而tag的说明一般包含在文件开头的注释说明部分。

FORMAT和NA00001（NA00002...）：FORMAT这列规定了后边样品每列的格式，NA00001（NA00002...）等各列是对应每个样品在这个variant的信息。我们如果要看每个样品的基因型信息，就需要看这几列了。

那样品的基因型怎么看呢？

每个样品的基因型格式都是一样的，通过FORMAT列来定义，如FORMAT列为GT:GQ:DP，样品列为0/1:35:4，则相对应的样品的GT为0/1，GQ为35，DP为4。那么这些又表示什么呢？我们解释一下经常出现在FORMAT中的tag，你就明白了：

GT：样本的基因型（genotype）。两个数字中间用‘／’分开，这两个数字表示双倍体的sample的基因型。0 表示样品中有ref的allele；1表示样品中variant的allele；2表示有第二个variant的allele。因此：0/0表示sample中该位点为纯合的，和ref一致；0/1 表示sample中该位点为杂合的，有ref和variant两个基因型；1/1 表示sample中该位点为纯合的，和variant一致。如果REF是A，ALT是C的话，则0/0就表示AA，0/1表示AC，1/1表示CC。

AD和DP：AD（Allele Depth）为sample中每一种allele的reads覆盖度,在diploid中则是用逗号分割的两个值，前者对应ref基因型，后者对应variant基因型；DP（Depth）为sample中该位点的覆盖度。

GQ：基因型的质量值(Genotype Quality)。Phred格式(Phred_scaled)的质量值，表示在该位点该基因型存在的可能性；该值越高，则Genotype的可能性越大；计算方法：Phred值= -10 * log (1-p) p为基因型存在的概率。

PL：指定的三种基因型的质量值(provieds the likelihoods of the given genotypes)。这三种指定的基因型为(0/0,0/1,1/1)，这三种基因型的概率总和为1。和之前不一致，该值越大，表明为该种基因型的可能性越小。Phred值= -10 * log (p) p为基因型存在的概率。

了解了之后，我们就知道，每个样品的基因型是通过GT部分的内容确定的，而深度信息可以通过AD或DP来看。再结合CHROM、POS、REF、ALT等，就可以知道每个variant的具体信息了。

以上就是整个vcf文件内容了，了解了上面的信息，就可以根据自己的需要对vcf文件进行查看、处理。最后给大家推荐一款vcf文件的处理工具vcftools，它专门针对vcf文件进行处理，包含过滤、提取、合并、排序、统计等各种功能，软件地址：

https://vcftools.github.io/index.html。