Variant Call Format(VCF)是一个用于存储基因序列突变信息的文本格式。表示单碱基突变, 插入/缺失, 拷贝数变异和结构变异等。BCF格式文件是VCF格式的二进制文件。
CHROM [chromosome]: 染色体名称。
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。
ID [identifier]: 突变的名称。若没有,则用‘.’表示其为一个新变种。
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。
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。
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。
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”.”。
INFO [additional information]: 表示变异的详细信息
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
AC [allele count]: 表示该Allele(等位基因)的数目
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
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
GT [genotype]: 表示样品的基因型。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
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
GQ [genotype quality]: 表示基因型的质量值。Phred格式的质量值,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。
GL : 三种基因型(RR RA AA)出现的可能性,R表示参考碱基,A表示变异碱基
DV : 高质量的非参考碱基
SP : Phred的p值误差线
PL [provieds the likelihoods of the given genotypes]: 指定的三种基因型的质量值。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。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。
FORMAT : 用于描述样本的(可选)可扩展的字段列表
SAMPLEs : 对于文件中描述的每一个(可选)样本,给出了在格式中列出的字段的值
1.ref/alt(freq)
DP4,Number of high-quality ref-forward , ref-reverse, alt-forward and alt-reverse bases
ref = ref-forward + ref-reverse
alt = alt-forward + alt-reverse
结果没有DP4, 用DP,VD
ref = DP-VD
alt = VD
2.quality_score
# VCF文件第6列
3.depth
#DP = ref+alt
4. gene_type
#VCF 第九第十列GT(Genotype)
GT:PL 1/1:255,255,0
GT:PL0/1:255,0,255
两个值相等hom, 不等hex
genetypes = sample.split(':')[0].split('/')
if genetypes[0] == genetypes[1]:
genet = 'hom'
else:
genet = 'hex'
VariantCallFormat(VCF)是一个用于存储基因序列突变信息的文本格式。表示单碱基突变,插入/缺失,拷贝数变异和结构变异等。BCF格式文件是VCF格式的二进制文件。 CHROM [chromosome]:染色体名称。 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。 ID [identifier]:突变的名称。若没有,则用‘.’表示其为一个新变种。 REF [referencebase(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。 ALT [alternatebase(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。 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。 FILTER [filterstatus]: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”.”。 INFO [additionalinformation]:表示变异的详细信息 DP [readdepth]: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 [mappingquality]: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 [allelefrequency]: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 [allelecount]: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 [allelenumber]: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 AC [allelecount]:表示该Allele(等位基因)的数目 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、taildistancebias) INDEL :表示该位置的变异是插入缺失 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 [qualitybydepth]:表示测序深度对质量的影响 RPB [readpositionbias]: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 [variantdistancebias]:表示RNA序列中过滤人工拼接序列的变异误差范围 GT [genotype]:表示样品的基因型。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 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 GQ [genotypequality]:表示基因型的质量值。Phred格式的质量值,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。 GL :三种基因型(RRRAAA)出现的可能性,R表示参考碱基,A表示变异碱基 DV :高质量的非参考碱基 SP :Phred的p值误差线 PL [proviedsthelikelihoodsofthegivengenotypes]:指定的三种基因型的质量值。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。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。 FORMAT :用于描述样本的(可选)可扩展的字段列表 SAMPLEs :对于文件中描述的每一个(可选)样本,给出了在格式中列出的字段的值