Skip to main content

4 FORMAT keys used for structural variants

有些结构变异无法用传统的 GT（基因型）精确表示，因为：

  • 替代等位基因数量未知；
  • 单倍型无法确定；
  • 变异是拷贝数变化，而不是简单的二倍体等位基因。

因此 VCF 保留了一批 FORMAT 键，用于对不精确事件按拷贝数进行基因分型。

4.1 保留的 FORMAT 键​

键NumberType含义
CN1Integer不精确事件的拷贝数基因型
CNQ1Float拷贝数基因型质量，Phred 缩放：−10log⁡10p(拷贝数基因型调用错误)-10\log_{10} p(\text{拷贝数基因型调用错误})
CNL.Float拷贝数基因型似然，每个潜在拷贝数一个 log⁡10\log_{10} 似然，从 0 开始
NQ1IntegerPhred 风格概率分数，表示变异是新发现的可信度
HAP1Integer唯一单倍型标识符
AHAP1Integer祖先单倍型的唯一标识符

这些键类似于 GT/GQ/GL，但用于拷贝数或单倍型不明确的情况。

4.2 键详解​

CN：拷贝数基因型​

  • 整数，表示样本中该变异的拷贝数。
  • 例如 CN=3 表示样本有 3 个拷贝。
  • 适用于不精确事件，因为传统 GT 无法表达“拷贝数 3”这种状态。

CNQ：拷贝数基因型质量​

  • 浮点数，Phred 缩放。
  • 公式：−10log⁡10p(拷贝数基因型调用错误)-10\log_{10} p(\text{拷贝数基因型调用错误})
  • 值越大，质量越高。

CNL：拷贝数基因型似然​

  • 逗号分隔的浮点数列表。
  • 每个值是对应拷贝数的 log⁡10\log_{10} 似然。
  • 从拷贝数 0 开始。
  • 例如：CNL=0:-75.22,1:-223.42,2:-323.03 表示拷贝数 0、1、2 的 log⁡10\log_{10} 似然分别为 -75.22、-223.42、-323.03。

NQ：变异新颖性质量​

  • 整数，Phred 风格分数。
  • 表示该变异是“新”的概率质量。

HAP：唯一单倍型标识符​

  • 整数，为样本中的单倍型分配唯一 ID。
  • 用于区分同一区域的不同单倍型。

AHAP：祖先单倍型标识符​

  • 整数，指向祖先单倍型的唯一 ID。
  • 用于追踪单倍型的演化关系。

4.3 与 GT/GQ/GL 的关系​

规范建议：

当可能时，应使用 GT/GQ/GL 代替（或补充）这些键。

也就是说，如果能够明确二倍体基因型，就用 GT。只有在拷贝数未知、单倍型无法确定时，才使用 CN、CNQ、CNL 等。

4.4 示例​

一个不精确重复，样本拷贝数为 3：

#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT SAMPLE1
1 1000 . N <DUP> 50 PASS SVTYPE=DUP;END=2000;IMPRECISE GT:CN:CNQ:CNL 0/1:3:20:0:-75.22,1:-223.42,2:-323.03,3:-99.29

解释：

  • SVTYPE=DUP：重复
  • IMPRECISE：不精确
  • FORMAT=GT:CN:CNQ:CNL
  • SAMPLE1 的值：
    • GT=0/1：传统基因型（可能只是近似）
    • CN=3：拷贝数为 3
    • CNQ=20：拷贝数调用质量 20
    • CNL=0:-75.22,1:-223.42,2:-323.03,3:-99.29：各拷贝数的似然

总结​

  • 第 2 节：VCF 用 REF/ALT 表示单倍型替换。参考单倍型是 a-REF-t，替代单倍型是 a-ALT-t。VCF 不保留碱基对齐的等价性，记录类型由等位基因动态决定。
  • 第 3 节：结构变异在 INFO 中使用保留键描述。包括类型（SVTYPE）、长度（SVLEN）、位置不确定性（CIPOS、CIEND）、断点配对（MATEID、PARID）、拷贝数与深度（CN、DP、CICN 等）。
  • 第 4 节：结构变异在 FORMAT 中使用保留键对样本进行拷贝数基因分型。核心是 CN（拷贝数）、CNQ（质量）、CNL（似然），以及 HAP/AHAP（单倍型标识）。当可能时，优先使用传统 GT/GQ/GL。

这些字段共同让 VCF 能够灵活地描述从简单 SNP 到复杂癌症重排的各种遗传变异。