2 Understanding the VCF format and the haplotype representation
下面把 VCF 规范中的 第 2 节（理解 VCF 格式与单倍型表示）、第 3 节（结构变异 INFO 键）、第 4 节（结构变异 FORMAT 键） 拆开讲清楚。这三节主要解决两个问题：
- VCF 到底如何用
REF和ALT表示一段 DNA 的变异？ - 对于结构变异（SV）这种复杂、不精确的变异，VCF 提供了哪些额外字段来描述它们？
2.1 三个基本概念
VCF 用一套通用系统表示遗传变异数据，核心概念只有三个：
| 概念 | 含义 | 例子 |
|---|---|---|
| Allele（等位基因） | 单条染色体上的一个遗传单倍型片段 | A、T、ATC |
| Genotype（基因型） | 某个样本在某个位点上，每条染色体分别是什么等位基因 | 0/1、`1 |
| VCF record（VCF 记录） | 一行数据，描述一个位点上所有分离的等位基因，以及（可选）多个样本的基因型 | 整行 TSV |
可以把 VCF 记录想象成一条“编辑指令”：
在参考基因组的位置
POS，把REF这段序列替换成ALT这段序列。
2.2 VCF 如何表示单倍型
VCF 对 REF 和 ALT 使用一种非常简单的单倍型表示法。
假设参考基因组在某个位点附近是：
... a REF t ...
其中 a 是 REF 左边的侧翼序列，t 是 REF 右边的侧翼序列。
- 参考单倍型：
a-REF-t - 替代单倍型：对每个
ALT，都是a-ALT-t
换句话说：
VCF 记录本质上指定了
a-REF-t，而每个替代等位基因对应的单倍型就是a-ALT-t。
例子 1：SNP
VCF 记录：
20 3 . C T . PASS DP=100
参考序列附近是 a t C g a。
- 参考单倍型：
... a t C g a ... - 替代单倍型：
... a t T g a ...
这里 REF=C，ALT=T，就是把 C 替换成 T。
例子 2：插入
VCF 记录：
20 3 . C CTAG . PASS DP=100
- 参考单倍型：
... a t C - - - g a ... - 替代单倍型：
... a t C T A G g a ...
REF=C，ALT=CTAG，表示在 C 后面插入了 TAG 三个碱基。
例子 3：缺失
VCF 记录：
20 2 . TCG T . PASS DP=100
- 参考单倍型：
... a T C G a ... - 替代单倍型：
... a T - - a ...
REF=TCG，ALT=T，表示从 T 后面的 CG 两个碱基被删除了。
2.3 为什么 VCF 不保留碱基对齐的等价性
对于复杂变异，比如微卫星，可能有多种等价的对齐方式。VCF 只记录“替换”，不记录具体哪个碱基对应哪个碱基。
例如 VCF 记录：
20 4 . GCG G,GCGCG . PASS DP=100
它表示三个分离等位基因：GCG、G、GCGCG。还原成单倍型时，你可以写成：
参考：a t c G C G - - a
等位1：a t c G - - - - a （缺失 2 个碱基）
等位2：a t c G C G C G a （插入 2 个碱基）
也可以写成另一种等价对齐：
参考：a t c G - - C G a
等位1：a t c G - - - - a
等位2：a t c G C G C G a
VCF 不关心你选哪种对齐，它只保证最终的单倍型序列是正确的。
2.4 VCF 记录的类型是动态的
一个 VCF 记录到底算 SNP、Indel、Mixed 还是 Reference，取决于 REF 和 ALT 的属性，而不是固定标签：
- 只有单碱基替换，两个等位基因 → SNP
- 有插入或缺失 → Indel
- 同时有插入和缺失 → Mixed
ALT是.→ Reference 位点（单态参考）
这种设计让 VCF 非常灵活，但也要求解析器根据 REF/ALT 自行判断记录类型。
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。