33、VCF格式

转载：http://blog.sina.com.cn/s/blog_7110867f0101njf5.html
      http://www.cnblogs.com/liuhui0622/p/6246111.html
      http://vcftools.sourceforge.net/specs.html
      http://en.wikipedia.org/wiki/Variant_Call_Format
      http://blog.sina.com.cn/s/blog_74cbb8e80101f8ic.html
      http://samtools.sourceforge.net/mpileup.shtml
1、vcf的格式（10列）

　  1列： CHROM [chromosome]: 染色体名称。

　　2列：POS [position]: 参考基因组突变碱基位置，如果是INDEL(插入缺失)，位置是INDEL的第一个碱基位置。

　　3列：ID [identifier]: 突变的名称。若没有，则用‘.’表示其为一个新变种。

　   4列：REF [reference base(s)]: 参考染色体的碱基，必须是ATCGN中的一个，N表示不确定碱基。

　　5列：ALT [alternate base(s)]: 与参考序列比较，发生突变的碱基;多个的话以“,”连接， 可选符号为ATCGN*，大小写敏感。

　　6列：QUAL [quality]: Phred标准下的质量值，表示在该位点存在突变的可能性;该值越高，则突变的可能性越大;计算方法：Phred值 = -10 * log (1-p) p为突变存在的概率。

　　7列：FILTER [filter status]: GATK使用其它的方法进行过滤后得到的过滤结果，如果通过则该值为“PASS”;若此突变不可靠，则该项不为”PASS”或”.”。

　　8列：INFO [additional information]: 表示变异的详细信息
       
       9列：提供了这个sample的基因型的信息
      
     10列：该样品的名称（例如T01等），是由BAM文件中的@RG下的 SM 标签决定的。

2、基因型信息（9、10列）

最后两列数据，这两列数据是对应的，前者为格式，后者为格式对应的数据。

      GT：样品的基因型（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。

      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。

      DV : 高质量的非参考碱基 　　

      SP : Phred的p值误差线

3. VCF第8列的信息

该列信息最多，都是以 “TAG=Value”,并使用”;”分隔的形式。其中很多的注释信息在VCF文件的头部注释中给出。

　　   DP [read depth]: 样本在这个位置的一些reads被过滤掉后的覆盖度

　　DP4 : 高质量测序碱基，位于REF或者ALT前后

　　MQ [mapping quality]: 表示覆盖序列质量的均方值RMS

　　FQ : Phred值关于所有样本相似的可能性

　　AF1 [allele frequency]: 表示Allele(等位基因)的频率，AF1为第一个ALT等位基因发生频率的可能性评估

　　AC1 [allele count]: 表示Allele(等位基因)的数目,AC1为对第一个ALT等位基因计数的最大可能性评估

　　AN [allele number]: 表示Allele(等位基因)的总数目

　　IS : 插入缺失或部分插入缺失的reads允许的最大数量

　　G3 : ML 评估基因型出现的频率

　　HWE : chi^2基于HWE的测试p值和G3

　　CLR : 在受到或者不受限制的情况下基因型出现可能性的对数值

　　UGT : 最可能不受限制的三种基因型结构

　　CGT : 最可能受限制三种基因型结构

　　PV4 : 四种P值的误差，分别是(strand、baseQ、mapQ、tail distance bias)

　　INDEL : 表示该位置的变异是插入缺失，进行SNP和INDEL calling的结果中，有该TAG并且值为0表示该位点为SNP，没有则为INDEL。

　　PC2 : 非参考等位基因的Phred(变异的可能性)值在两个分组中大小不同

　　PCHI2 : 后加权chi^2，根据p值来测试两组样本之间的联系

　　QCHI2 : Phred标准下的PCHI2.

　　PR : 置换产生的一个较小的PCHI2

　　QBD [quality by depth]: 表示测序深度对质量的影响

　　RPB [read position bias]: 表示序列的误差位置

　　MDV : 样本中高质量非参考序列的最大数目

　　VDB [variant distance bias]: 表示RNA序列中过滤人工拼接序列的变异误差范围

          HaplotypeScore：Consistency of the site with at most two segregating haplotypes

         InbreedingCoeff：Inbreeding coefficient as estimated from the genotype likelihoods per-sample when compared against the Hard-Weinberg expectation

         MLEAC：Maximum likelihood expectation (MLE) for the allele counts (not necessarily the same as the AC), for each ALT allele, in the same order as listed

         MLEAF：Maximum likelihood expectation (MLE) for the allele frequency (not necessarily the same as the AF), for each ALT alle in the same order as listed

         MQ：RMS Mapping Quality

         MQ0：Total Mapping Quality Zero Reads

         MQRankSum：Z-score From Wilcoxon rank sum test of Alt vs. Ref read mapping qualities

        QD：Variant Confidence/Quality by Depth

        RPA：Number of times tandem repeat unit is repeated, for each allele (including reference)

        RU：Tandem repeat unit (bases)

       ReadPosRankSum：Z-score from Wilcoxon rank sum test of Alt vs. Ref read position bias

       STR：Variant is a short tandem repeat