5 Representing variation in VCF records
下面详细讲解 VCF 规范第 5 节 “Representing variation in VCF records”。这一节是 VCF 的核心：它告诉你如何把真实 DNA 变异写成 VCF 行，以及如何从 VCF 行还原出单倍型。内容从简单 SNP 一直讲到复杂结构变异和断点表示。
5.1 Creating VCF entries for SNPs and small indels
5.1.1 基本思想
VCF 记录的本质是：
在参考基因组的位置
POS，把REF这段序列替换成ALT这段序列。
参考单倍型：a-REF-t
替代单倍型：a-ALT-t
其中 a 和 t 是 REF 左右两侧的侧翼序列。
5.1.2 例子 1：SNP、插入、缺失
假设参考序列在某个位点附近是：
| 示例 | 序列 | 说明 |
|---|---|---|
| Ref | a t C g a | C 是参考碱基 |
| 1 | a t G g a | C 变成 G（SNP） |
| 2 | a t - g a | C 被删除 |
| 3 | a t C A g a | 在 C 后插入 A |
对应的 VCF 记录：
#CHROM POS ID REF ALT QUAL FILTER INFO
20 3 . C G . PASS DP=100
20 2 . TC T . PASS DP=100
20 2 . TC TCA . PASS DP=100
解释：
- SNP：
POS=3，REF=C，ALT=G。参考单倍型...t C g...→ 替代...t G g...。 - 缺失：
POS=2，REF=TC，ALT=T。参考...t C g...→ 替代...t - g...。注意REF包含事件前一个碱基T，POS指向这个T。 - 插入：
POS=2，REF=TC，ALT=TCA。参考...t C g...→ 替代...t C A g...。同样REF包含前一个碱基T。
关键规则：对于简单插入/缺失，如果 REF 或 ALT 本来会是空，必须包含事件前一个碱基；如果事件发生在 contig 位置 1，则包含事件后一个碱基。
5.1.3 例子 2：多个分离等位基因
假设群体中有三个等位基因：
| 示例 | 序列 | 说明 |
|---|---|---|
| Ref | a t C g a | 参考 |
| 1 | a t G g a | C→G |
| 2 | a t - g a | C 缺失 |
对应 VCF：
#CHROM POS ID REF ALT QUAL FILTER INFO
20 2 . TC TG,T . PASS DP=100
这里 REF=TC，ALT=TG,T。
TC是参考等位基因。TG表示 C→G 的 SNP。T表示 C 缺失。
所以有三个分离等位基因：TC、TG、T。
5.1.4 例子 3：复杂混合
假设有四个分离等位基因：{tCg, tg, t, tCAg}，对应序列：
| 示例 | 序列 | 说明 |
|---|---|---|
| Ref | a t C g a | 参考 |
| 1 | a t - g a | C 缺失 |
| 2 | a t - - a | C 和 G 都缺失 |
| 3 | a t C A g a | 在 C 后插入 A |
VCF 写成：
#CHROM POS ID REF ALT QUAL FILTER INFO
20 2 . TCG TG,T,TCAG PASS DP=100
注意：VCF 不保留碱基对齐的等价性，只记录替换关系。记录类型（SNP、Indel、Mixed、Reference）由 REF/ALT 动态决定。
5.2 Decoding VCF entries for SNPs and small indels
这一节讲如何从 VCF 记录还原单倍型。
5.2.1 SNP
VCF：
20 3 . C T . PASS DP=100
还原：
| 示例 | 序列 | 说明 |
|---|---|---|
| Ref | a t C g a | 参考 |
| 1 | a t T g a | C→T |
5.2.2 插入
VCF：
20 3 . C CTAG . PASS DP=100
还原：
| 示例 | 序列 | 说明 |
|---|---|---|
| Ref | a t C - - - g a | 参考 |
| 1 | a t C T A G g a | 在 C 后插入 TAG |
5.2.3 缺失
VCF：
20 2 . TCG T . PASS DP=100
还原：
| 示例 | 序列 | 说明 |
|---|---|---|
| Ref | a T C G a | 参考 |
| 1 | a T - - a | 删除 CG |
5.2.4 微卫星混合
VCF：
20 4 . GCG G,GCGCG . PASS DP=100
三个等位基因：GCG、G、GCGCG。
还原时可以有多种等价对齐，例如：
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）
VCF 不指定具体对齐，只保证最终序列正确。
5.3 Encoding Structural Variants
结构变异（SV）跨度大、可能不精确，通常用符号 ALT 表示，例如 <DEL>、<DUP>、<INV>、<CNV>。
文档第 11 页给了一些例子，概括如下：
- 精确缺失：已知断点，有 1 bp 微同源，样本纯合缺失。
- 不精确缺失：约 205 bp。
- ALU 元件缺失：不精确。
- L1 插入：不精确。
- 不精确重复：约 21 kb，样本拷贝数 3。
- 串联重复：76 bp，样本拷贝数 5，但单倍型未知。
这些例子用 SVTYPE、END、SVLEN、IMPRECISE 等 INFO 键描述。具体编码方式在第 3 节已讲。
5.4 Specifying complex rearrangements with breakends
这是第 5 节最复杂的部分：如何用 breakend（断点） 表示任意重排。
5.4.1 核心概念
一个重排事件可以看成一组新的邻接关系。每个邻接连接两个 breakend，它们互为 mate。
每个 breakend 用一行 VCF 表示，INFO 中写 SVTYPE=BND。
REF 字段：从 POS 开始的一段参考序列 s。
ALT 字段：替换 s 的字符串，包含三部分：
- 替换后的字符串
t（可能包含插入序列）。 - mate 的位置
p，格式chr:pos。 - 连接方向，用方括号
[或]表示。
四种 ALT 语法：
| REF | ALT | 含义 |
|---|---|---|
s | t[p[ | 从 p 向右延伸的片段接在 t 后面 |
s | t[p] | 从 p 向左延伸的反向互补片段接在 t 后面 |
s | ]p]t | 从 p 向左延伸的片段接在 t 前面 |
s | [p[t | 从 p 向右延伸的反向互补片段接在 t 前面 |
5.4.2 例子：3-break 操作
图 1 展示 6 个 breakend 的所有方向：
| #CHROM | POS | ID | REF | ALT | INFO |
|---|---|---|---|---|---|
| 2 | 321681 | bnd_W | G | G[17:198982[ | SVTYPE=BND |
| 2 | 321682 | bnd_V | T | ]13:123456]T | SVTYPE=BND |
| 13 | 123456 | bnd_U | C | C[2:321682[ | SVTYPE=BND |
| 13 | 123457 | bnd_X | A | ]17:198983]A | SVTYPE=BND |
| 17 | 198982 | bnd_Y | A | A]2:321681] | SVTYPE=BND |
| 17 | 198983 | bnd_Z | C | C[13:123457[ | SVTYPE=BND |
5.4.3 插入序列
如果两个 breakend 之间有插入序列，直接写在 ALT 的 t 中：
2 321682 bnd_V T ]13:123456]AGTNNNNNCAT 6 PASS SVTYPE=BND;MATEID=bnd_U
13 123456 bnd_U C CAGTNNNNNCAT[2:321682[ 6 PASS SVTYPE=BND;MATEID=bnd_V
5.4.4 大插入：用 contig 表示
如果插入太长，可以用 assembly 文件中的 contig 表示：
13 123456 bnd_U C C[<ctg1>:1[ 6 PASS SVTYPE=BND
13 123457 bnd_V A ]<ctg1>:329]A 6 PASS SVTYPE=BND
如果只插入 contig 的一部分：
13 123456 bnd_U C C[<ctg1>:7[ 6 PASS SVTYPE=BND
13 123457 bnd_V A ]<ctg1>:214]A 6 PASS SVTYPE=BND
如果 contig 是环状的，可以加循环邻接：
13 123456 bnd_U C C[<ctg1>:229[ 6 PASS SVTYPE=BND
13 123457 bnd_V A ]<ctg1>:45]A 6 PASS SVTYPE=BND
<ctg1> 1 bnd_X A ]<ctg1>:329]A 6 PASS SVTYPE=BND
<ctg1> 329 bnd_Y T T[<ctg1>:1[ 6 PASS SVTYPE=BND
对于完整插入，可以用简写：
13 321682 INS0 T C<ctg1> 6 PASS SVTYPE=INS
5.4.5 多个 mate
一个 breakend 可以有多个 mate，这时 ALT 写成逗号分隔的多个替代邻接：
2 321682 bnd_V T ]13:123456]T 6 PASS SVTYPE=BND;MATEID=bnd_U
13 123456 bnd_U C C[2:321682[;C[17:198983[ 6 PASS SVTYPE=BND;MATEID=bnd_V,bnd_Z
17 198983 bnd_Z A ]13:123456]A 6 PASS SVTYPE=BND;MATEID=bnd_U
5.4.6 显式 partner
参考基因组中相连但在变异中断开的两个 breakend 叫 partner。可以用 PARID 显式指定：
2 321681 bnd_W G G[13:123460[ 6 PASS PARID=bnd_V;MATEID=bnd_X
2 321682 bnd_V T ]13:123456]T 6 PASS PARID=bnd_W;MATEID=bnd_U
13 123456 bnd_U C C[2:321682[ 6 PASS PARID=bnd_X;MATEID=bnd_V
13 123460 bnd_X A ]2:321681]A 6 PASS PARID=bnd_U;MATEID=bnd_W
5.4.7 端粒
端粒用虚拟 breakend 表示：位置 0 和 N+1。例如整个 1 号染色体易位到 13 号：
1 0 bnd_X N N[13:123457[ 6 PASS SVTYPE=BND;MATEID=bnd_V
1 1 bnd_Y T ]13:123456]T 6 PASS SVTYPE=BND;MATEID=bnd_U
13 123456 bnd_U C C[1:1[ 6 PASS SVTYPE=BND;MATEID=bnd_Y
13 123457 bnd_V A ]1:0]A 6 PASS SVTYPE=BND;MATEID=bnd_X
5.4.8 事件修饰符
多个邻接可以属于同一个事件，用 EVENT 标记：
2 321681 bnd_W G G[13:123457[ 6 PASS SVTYPE=BND;MATEID=bnd_X;EVENT=RR0
2 321682 bnd_V T ]13:123456]T 6 PASS SVTYPE=BND;MATEID=bnd_U;EVENT=RR0
13 123456 bnd_U C C[2:321682[ 6 PASS SVTYPE=BND;MATEID=bnd_V;EVENT=RR0
13 123457 bnd_X A ]2:321681]A 6 PASS SVTYPE=BND;MATEID=bnd_W;EVENT=RR0
5.4.9 倒位
倒位可以用简写：
2 321681 INV0 G <INV> 6 PASS SVTYPE=INV;END=421681
也可以用 breakend 描述：
2 321681 bnd_W G G[2:421681[ 6 PASS SVTYPE=BND;MATEID=bnd_U;EVENT=INV0
2 321682 bnd_V T ]2:421682]T 6 PASS SVTYPE=BND;MATEID=bnd_X;EVENT=INV0
2 421681 bnd_U A A[2:321681[ 6 PASS SVTYPE=BND;MATEID=bnd_W;EVENT=INV0
2 421682 bnd_X C ]2:321682]C 6 PASS SVTYPE=BND;MATEID=bnd_V;EVENT=INV0
5.4.10 断点位置不确定性
用 CIPOS 表示位置置信区间：
2 321681 bnd_V T T[13:123462[ 6 PASS SVTYPE=BND;MATEID=bnd_U;CIPOS=0,6
13 123456 bnd_U A A]2:321687] 6 PASS SVTYPE=BND;MATEID=bnd_V;CIPOS=0,6
注意：ALT 中的 mate 坐标是假设当前 breakend 位置固定时的坐标，CIPOS 描述不确定性。
5.4.11 单断点
没有 mate 的 breakend 叫单断点：
2 321681 bnd_W G G. 6 PASS SVTYPE=BND
2 321682 bnd_V T ]13:123456]T 6 PASS SVTYPE=BND;MATEID=bnd_U
13 123456 bnd_U C C[2:321682[ 6 PASS SVTYPE=BND;MATEID=bnd_V
13 123457 bnd_X A .A 6 PASS SVTYPE=BND
单断点可用于未观察到的 partner，或拷贝数变化。
5.4.12 样本混合物
癌症样本可能混合正常和肿瘤基因组，用 ##SAMPLE 定义：
##SAMPLE=<ID=Blood,Genomes=Germline,Mixture=1.,Description="Patient germline genome">
##SAMPLE=<ID=TissueSample,Genomes=Germline;Tumor,Mixture=.3,.7,Description="Patient germline genome;Patient tumor genome">
数据行可以按样本报告计数，也可以解卷积后报告拷贝数。
5.4.13 克隆衍生关系
用 ##PEDIGREE 描述肿瘤基因组之间的克隆衍生：
##PEDIGREE=<Derived=PRIMARY-TUMOR-GENOME-ID,Original=GERMLINE-GENOME-ID>
##PEDIGREE=<Derived=SECONDARY1-TUMOR-GENOME-ID,Original=PRIMARY-TUMOR-GENOME-ID>
##PEDIGREE=<Derived=SECONDARY2-TUMOR-GENOME-ID,Original=PRIMARY-TUMOR-GENOME-ID>
5.4.14 非整倍体中的相位邻接（bundles）
在癌症基因组中，一个 breakend 可以有多个单倍型。每个单倍型称为一个 bundle。用 DP、CN、BDP、BCN、HQ 等 FORMAT 子字段描述：
| 子字段 | 含义 |
|---|---|
DP | 片段深度 |
CN | 片段拷贝数 |
BDP | bundle 深度 |
BCN | bundle 拷贝数 |
HQ | 单倍型质量 |
例如：
| Allele | 1 | 1 | 0 |
|---|---|---|---|
| Haplotype | 1 | 2,3,4 | 5 |
| Segment Depth | 5 | 17 | 4 |
| Segment Copy Number | 1 | 3 | 1 |
| Bundle Depth | 4 | 0 | 3 |
| Bundle Copy Number | 1 | 3 | 1 |
| Haplotype quality | 30 | 40 | 40 |
总结
- 5.1–5.2：简单变异用
REF/ALT替换表示。插入/缺失要包含前一个碱基（或位置 1 时后一个碱基）。VCF 不保留碱基对齐的等价性。 - 5.3：结构变异用符号
ALT（如<DEL>、<DUP>）和 INFO 键（SVTYPE、END、SVLEN、IMPRECISE等）描述。 - 5.4：复杂重排用 breakend 表示。每个 breakend 一行，
SVTYPE=BND。ALT用四种方括号语法表示连接方向。支持插入序列、大插入用 contig、多 mate、显式 partner、端粒、事件分组、倒位、位置不确定性、单断点、样本混合物、克隆衍生和单倍型 bundles。
这一节是 VCF 最灵活也最复杂的部分，掌握 REF/ALT 替换逻辑和 breakend 的 ALT 语法，就能读懂绝大多数 VCF 记录。