1.3 Header & 1.4 Data

下面把 VCF 的 1.3 Header line syntax 和 1.4 Data lines 拆开讲清楚。你可以把 VCF 理解成一种特殊的 TSV 表格：

## 开头的是元信息，像数据库 schema；
#CHROM ... 是表头，定义每一列；
后面的行是数据行，每一行对应一个基因组位置。

1.3 Header line syntax：表头行语法

1.3.1 表头长什么样

一个带基因型数据的 VCF 表头通常长这样：

#CHROM	POS	ID	REF	ALT	QUAL	FILTER	INFO	FORMAT	NA00001	NA00002	NA00003

注意：

表头行以单个 # 开头，不是 ##。
所有列用 Tab 分隔，不是空格。
前 8 列是固定、必需的列：
1. #CHROM
2. POS
3. ID
4. REF
5. ALT
6. QUAL
7. FILTER
8. INFO
如果文件里有基因型数据，第 9 列必须是 FORMAT，后面再跟任意数量的样本 ID。
样本 ID 不能重复。
如果文件没有基因型数据，表头到 INFO 就结束，不需要 FORMAT 和样本列。

1.3.2 为什么表头重要

表头告诉解析器：

每一列是什么；
从第几列开始是样本数据；
每个样本列内部又按什么格式拆分。

例如：

#CHROM	POS	ID	REF	ALT	QUAL	FILTER	INFO	FORMAT	NA00001	NA00002	NA00003

解析器读到后就知道：

第 1 列是染色体；
第 2 列是位置；
…
第 9 列是 FORMAT，说明样本列里的数据格式；
第 10、11、12 列分别是样本 NA00001、NA00002、NA00003。

1.3.3 常见错误

表头列数少于数据行列数，或者多出来。
样本 ID 重复。
用空格而不是 Tab 分隔。
有基因型数据但漏写 FORMAT 列。
把 #CHROM 写成 ##CHROM。

1.4 Data lines：数据行

数据行是 VCF 的主体，每一行描述一个基因组位置上的变异或基因型信息。

总规则：

所有数据行都用 Tab 分隔。
缺失值统一用点 . 表示。
每一行必须和表头的列一一对应。
前 8 列是固定字段，后面如果表头有 FORMAT 和样本列，就按 FORMAT 的格式继续写。

1.4.1 Fixed fields：8 个固定字段

下面逐列解释。

列号	名称	含义	类型/要求
1	`CHROM`	染色体	String，必需
2	`POS`	位置	Integer，必需
3	`ID`	标识符	String
4	`REF`	参考碱基	String，必需
5	`ALT`	替代碱基	String
6	`QUAL`	质量	Numeric
7	`FILTER`	过滤状态	String
8	`INFO`	附加信息	String

1. CHROM：染色体

可以是参考基因组的染色体名，例如 20、chr1、X。
也可以写成尖括号形式 <ID>，指向 assembly 文件里的 contig。
同一个 CHROM 的记录应该在文件里连续成块出现。
不能包含空白字符。
必需。

例子：

20	14370	rs6054257	G	A	29	PASS	NS=3;DP=14;AF=0.5;DB;H2

这里 CHROM 就是 20。

2. POS：位置

参考位置，从 1 开始计数，第一个碱基位置是 1。
在同一个 CHROM 内，位置按数值递增排序。
允许多条记录有相同的 POS。
端粒可以用位置 0 或 N+1 表示，N 是染色体或 contig 长度。
整数，必需。

例子：

20	14370	...

表示位置 14370。

3. ID：标识符

用分号分隔的唯一标识符列表。
如果是 dbSNP 变异，推荐用 rs 号，例如 rs6054257。
一个 ID 不应该出现在多个数据记录里。
如果没有 ID，用 .。
不能包含空白或分号。

例子：

20	14370	rs6054257	G	A	...

ID 是 rs6054257。

如果写成：

20	17330	.	T	A	...

表示这个位点没有 ID。

4. REF：参考碱基

参考序列上的碱基。
每个碱基必须是 A,C,G,T,N 之一，大小写不敏感。
允许多个碱基。
POS 指向 REF 字符串的第一个碱基。
对于简单插入/缺失，如果 REF 或某个 ALT 本来会是空，则 REF 和 ALT 必须包含事件前一个碱基，并且 POS 反映这个前一个碱基的位置。
如果事件发生在 contig 位置 1，则必须包含事件后一个碱基。
如果 ALT 是符号等位基因，例如 <DEL>，则必须有 padding base，POS 表示多态性前一个碱基的坐标。
工具处理 VCF 时不一定保留大小写。
必需。

举例：

缺失 C：
```
20	2	.	TC	T	.	PASS	DP=100
```
这里 REF=TC，ALT=T，POS=2，表示从位置 2 开始的 C 被删除。
插入 A：
```
20	2	.	TC	TCA	.	PASS	DP=100
```
这里 REF=TC，ALT=TCA，表示在 C 后面插入 A。

5. ALT：替代碱基

逗号分隔的替代非参考等位基因列表。
这些等位基因不一定在所有样本中都被调用。
可以是：
- 碱基串，由 A,C,G,T,N,* 组成，大小写不敏感；
- 尖括号 ID 字符串，例如 <DEL>、<DUP>；
- breakend 替换字符串，例如 G[17:198982[。
* 是保留符号，表示由于上游缺失导致该等位基因缺失。
如果没有替代等位基因，用 .。
工具不一定保留大小写，但 ID 是大小写敏感的。
ID 字符串本身不能包含空白、逗号或尖括号。

例子：

20	1110696	rs6040355	A	G,T	67	PASS	NS=2;DP=10;AF=0.333,0.667;AA=T;DB

这里 ALT=G,T，表示有两个替代等位基因：G 和 T。

6. QUAL：质量

Phred 缩放的质量分数，表示 ALT 中断言的错误概率。
公式： $-10\log_{10} \text{prob(call in ALT is wrong)}$ 。
如果 ALT 是 .，即没有变异，则 QUAL 是 $-10\log_{10} \text{prob(variant)}$ 。
如果 ALT 不是 .，则 QUAL 是 $-10\log_{10} \text{prob(no variant)}$ 。
如果未知，用 .。
数值类型。

例子：

20	14370	rs6054257	G	A	29	PASS	...

QUAL=29。

7. FILTER：过滤状态

PASS 表示这个位置通过了所有过滤，即在当前位置做出了调用。
否则，用分号分隔失败过滤码，例如 q10;s50。
0 是保留值，不应作为过滤码。
如果还没有应用过滤，用 .。
不能包含空白或分号。

例子：

20	17330	.	T	A	3	q10	NS=3;DP=11;AF=0.017

FILTER=q10，表示质量低于 10，被过滤掉。

8. INFO：附加信息

用分号分隔的键值对，格式为 <key>=<data>[data]。
如果没有键，用 .。
不能包含空白、分号或等号；逗号只能作为值列表的分隔符。
任意键都允许，但以下子字段是保留的，虽然可选：

保留 INFO 键	含义
`AA`	祖先等位基因
`AC`	基因型中等位基因计数，每个 ALT 一个，按 ALT 顺序
`AF`	每个 ALT 的等位基因频率，按 ALT 顺序
`AN`	已调用基因型中的总等位基因数
`BQ`	该位置的 RMS 碱基质量
`CIGAR`	描述 ALT 等位基因如何比对到 REF 的 CIGAR 字符串
`DB`	dbSNP 成员
`DP`	跨样本总深度
`END`	变异结束位置，用于符号等位基因
`H2`	HapMap2 成员
`H3`	HapMap3 成员
`MQ`	RMS 比对质量
`MQ0`	覆盖该记录的 MAPQ == 0 的 reads 数
`NS`	有数据的样本数
`SB`	该位置的链偏倚
`SOMATIC`	体细胞突变，用于癌症基因组学
`VALIDATED`	经后续实验验证
`1000G`	1000 Genomes 成员

键可以没有值，用来表示组成员资格，例如 H2 表示该 SNP 在 HapMap2 中。
不需要列出所有不存在的属性，例如不需要写 H2=0。
每个 INFO 子字段的准确格式应在元信息中定义。

例子：

20	14370	rs6054257	G	A	29	PASS	NS=3;DP=14;AF=0.5;DB;H2

这里：

NS=3：有 3 个样本有数据；
DP=14：总深度 14；
AF=0.5：等位基因频率 0.5；
DB：dbSNP 成员；
H2：HapMap2 成员。

1.4.2 Genotype fields：基因型字段

如果 VCF 包含基因型信息，表头会有 FORMAT 列和样本列。数据行中，每个样本列都按 FORMAT 指定的格式书写。

规则：

所有样本的数据类型必须相同。
FORMAT 是冒号分隔的字母数字字符串，指定数据类型的顺序。
每个样本列用冒号分隔，顺序必须和 FORMAT 一致。
如果 GT 存在，它必须是第一个子字段。
没有必需的子字段。
如果某个字段缺失，用 . 替代。
尾随字段可以省略，但 GT 如果指定在 FORMAT 中，应该始终存在。

例子：

FORMAT	NA00001	NA00002	NA00003
GT:GQ:DP:HQ	0|0:48:1:51,51	1|0:48:8:51,51	1/1:43:5:...

这里：

FORMAT=GT:GQ:DP:HQ；
样本 NA00001 的值是 0|0:48:1:51,51，对应：
- GT=0|0
- GQ=48
- DP=1
- HQ=51,51

常见保留 FORMAT 键

键	含义	类型	说明
`GT`	基因型	String	等位基因值，`/` 表示未定相，`
`DP`	读深度	Integer	该样本在该位置的读深度
`FT`	样本基因型过滤	String	类似 FILTER；`PASS` 表示通过，失败码用分号分隔，未应用过滤用 `.`（你提供的文本中 OCR 可能显示为 `DT`）
`GL`	基因型似然	Float	逗号分隔的 $\log_{10}$ 似然，顺序为所有可能基因型；有 GT 时按相同倍性，无 GT 时假设二倍体
`GLE`	异倍性基因型似然	String	用于不确定拷贝数
`PL`	Phred 基因型似然	Integer	GL 的 Phred 取整
`GP`	Phred 基因型后验概率	Float	用于存储插补的基因型概率
`GQ`	条件基因型质量	Integer	$-10\log_{10} p(\text{基因型调用错误} \mid \text{位点是变异})$
`HQ`	单倍型质量	Integer	两个逗号分隔的 Phred 质量
`PS`	相位集	Integer	同一相位集的定相基因型；未定相时忽略；推荐用集合中第一个变异的位置作为 ID
`PQ`	定相质量	Integer	预留，用于未来定义定相质量
`EC`	预期替代等位基因计数	Integer	按 ALT 顺序，逗号分隔
`MQ`	RMS 比对质量	Integer	类似 INFO 中的 MQ

GT 的编码方式

0 表示 REF 等位基因。
1 表示 ALT 中第一个等位基因。
2 表示 ALT 中第二个等位基因，以此类推。
二倍体例子：0/1、1|0、1/2。
单倍体例子：0、1（例如 Y 染色体、男性非拟常染色体 X、线粒体）。
三倍体例子：0/0/1。
无法调用时，每个缺失等位基因写 .，例如 ./. 表示二倍体缺失，. 表示单倍体缺失。
/ 表示未定相，| 表示定相。

GL / PL 的基因型顺序

如果 REF 是 A，ALT 是 B、C……，则二倍体基因型顺序为：

双等位：AA, AB, BB
三等位：AA, AB, BB, AC, BC, CC

顺序公式：

$F(j/k) = (k(k+1)/2) + j$

文档中写作：

$F(j/k) = (k*(k+1)/2) + j$

缺失值处理

如果某个字段缺失，用 . 替代。例如：

GT:GQ:DP:HQ	0|0:.:23:23,34

表示 GQ 缺失。

尾随字段可以省略，但 GT 如果出现在 FORMAT 中，应该始终存在。

综合例子拆解

看一行完整数据：

20	14370	rs6054257	G	A	29	PASS	NS=3;DP=14;AF=0.5;DB;H2	GT:GQ:DP:HQ	0|0:48:1:51,51	1|0:48:8:51,51	1/1:43:5:...

逐列解释：

列	值	含义
CHROM	`20`	染色体 20
POS	`14370`	位置 14370
ID	`rs6054257`	dbSNP rs 号
REF	`G`	参考碱基是 G
ALT	`A`	替代碱基是 A
QUAL	`29`	Phred 质量 29
FILTER	`PASS`	通过所有过滤
INFO	`NS=3;DP=14;AF=0.5;DB;H2`	3 个样本有数据，总深度 14，等位基因频率 0.5，dbSNP 成员，HapMap2 成员
FORMAT	`GT:GQ:DP:HQ`	样本数据格式：基因型、基因型质量、深度、单倍型质量
NA00001	`0\|0:48:1:51,51`	`GT=0\|0，GQ=48，DP=1，HQ=51,51`
NA00002	`1\|0:48:8:51,51`	`GT=1\|0，GQ=48，DP=8，HQ=51,51`
NA00003	`1/1:43:5:...`	`GT=1/1，GQ=43，DP=5，HQ 省略`

容易混淆的点

表头是 #CHROM，不是 ##CHROM。
固定 8 列必须存在，且顺序不能变。
缺失值统一用 .，不要用空字符串。
FILTER 的 PASS 是特殊值，表示通过所有过滤。
INFO 中自定义键必须在头部 ##INFO 里定义。
FORMAT 中自定义键必须在头部 ##FORMAT 里定义。
GT 如果存在，必须是 FORMAT 的第一个子字段。
样本列数必须和表头样本 ID 数一致。
有基因型数据时，表头必须有 FORMAT 列。
ALT 中的 ID 是大小写敏感的，但碱基串大小写不敏感。

一句话总结

1.3 Header line syntax：定义 VCF 的列结构，前 8 列固定，有基因型时加 FORMAT 和样本 ID，全部用 Tab 分隔。
1.4 Data lines：按表头写每一行数据，前 8 列是固定字段，后面按 FORMAT 写样本基因型；缺失值用 .，GT 编码等位基因，/ 未定相，| 定相。

1.3 Header line syntax：表头行语法​

1.3.1 表头长什么样​

1.3.2 为什么表头重要​

1.3.3 常见错误​

1.4 Data lines：数据行​

1.4.1 Fixed fields：8 个固定字段​

1. CHROM：染色体​

2. POS：位置​

3. ID：标识符​

4. REF：参考碱基​

5. ALT：替代碱基​

6. QUAL：质量​

7. FILTER：过滤状态​

8. INFO：附加信息​

1.4.2 Genotype fields：基因型字段​

常见保留 FORMAT 键​

GT 的编码方式​

GL / PL 的基因型顺序​

缺失值处理​

综合例子拆解​

容易混淆的点​

一句话总结​