寫在前面：當(dāng)學(xué)習(xí)某一重要文件格式時(shí)佩番，更需要對(duì)此格式對(duì)應(yīng)軟件工具進(jìn)行全面的學(xué)習(xí)（如sam/bam——samtools）。在多次花時(shí)間寫腳本處理文件之后發(fā)現(xiàn)睹逃，80%左右的任務(wù)其實(shí)只需要對(duì)應(yīng)工具的某個(gè)子命令再加上合適的參數(shù)即可解決。故為提升效率，處理VCF文件之前先好好將對(duì)應(yīng)工具vcftools學(xué)習(xí)一遍

VCFTOOLS基本說明

vcftools為專門處理vcf/bcf文件而生桐绒，此工具能處理VCF數(shù)據(jù)包括：過濾(filter), ；變異位點(diǎn)的基本統(tǒng)計(jì)之拨；數(shù)據(jù)格式的轉(zhuǎn)換茉继；多個(gè)vcf文件的比較（compare files）；集合運(yùn)算蚀乔。

目前常用版本v0.1.16烁竭。官方網(wǎng)站[https://vcftools.github.io/index.html]

vcftools [ --vcf/gzvcf/bcf FILE ] [ --out OUTPUT PREFIX ] [ FILTERING OPTIONS ] [ OUTPUT OPTIONS ]

輸入?yún)?shù)

• --vcf
• --gzvcf輸入gz壓縮的vcf文件
• --bcf

輸出

• -out 輸出文件
• --stdout/-c標(biāo)準(zhǔn)輸入，可后接管道操作
• --temp指定輸出目錄

過濾參數(shù)

1. 根據(jù)位置進(jìn)行過濾

   • --chr, --not-chr指定過濾選擇某染色體吉挣，可多次使用
   • --from-bp INT, --to-bp派撕，需和--chr一起使用，指定區(qū)域
   • --positions FILE,--exclude-positions接tab分割的多個(gè)坐標(biāo)位置文件
   • --bed FILE,--exclude-bed根據(jù)BED文件進(jìn)行過濾

2. 根據(jù)指定ID位點(diǎn)過濾

   • --snp 根據(jù)vcf文件第三列ID列的snp名進(jìn)行過濾睬魂。
   • --snps FILE, --exclude根據(jù)ID文件進(jìn)行過濾

3. 變異類型過濾

   • --keep-only-indels
   • --remove-indels即保留或去除SNP终吼，留下INDEL。

4. 根據(jù)VCF文件第七列FILTER進(jìn)行過濾

   • --remove-filterer-allFILTER列除了PASS保留氯哮，其余都過濾
   • --keep-filtered,--remove-filtered保留或去除特定FILTER標(biāo)簽际跪。可多次使用。

5. 根據(jù)vcf第八列INFO進(jìn)行過濾

   • --keep-INFO
   • --remove-INFO根據(jù)INFO列的指定tag進(jìn)行過濾

6. 根據(jù)ALLEL進(jìn)行過濾

   • --maf,--max-maf Minor Allele Frequency二等位基因頻率進(jìn)行過濾姆打，常為--maf 0.05良姆，保留大于0.05的。
   • --non-ref-af,--non-ref-ac.... 保留都是ALT變異的位點(diǎn)穴肘。
   • --mac INT,--max-mac 保留Minor Allel Count數(shù)大于INT數(shù)的位點(diǎn)
   • --min-alleles 2, --max-alleles 2篩選保留含有2個(gè)ALT變異的位點(diǎn)歇盼。常用。

7. 根據(jù)基因型GENOTYPE數(shù)值進(jìn)行過濾

   • --min-meanDP,--max-meanDP根據(jù)平均覆蓋深度進(jìn)行過濾评抚。--min-meanDP 3
   • --hwe哈溫平衡檢測(cè)豹缀，根據(jù)pvalue值進(jìn)行過濾，保留值以內(nèi)的慨代。--hwe 0.01
   • --max-missing常用耘柱，缺失率怜森，0為接受完全缺失，1為接受數(shù)據(jù)全都存在。一般0.8
   • --max-missing-count INT缺失的個(gè)體數(shù)目超過INT擅耽，即被過濾。
   • --phased 刪除unpased位點(diǎn)
   • --minQ 保留Quality值大于INT的位點(diǎn)挨摸。

8. 對(duì)樣品個(gè)體進(jìn)行過濾

   • --indv, --remove-indv保留或刪除指定樣本
   • --keep FILE,--remove 保留/刪除多個(gè)體的文件
   • --max-indv INT隨機(jī)保留INT數(shù)目的樣本栅炒。

9. 基因型過濾

   • --remove-filtered-geno-all, --remove-filtered-geno 保留/刪除 FILTER FLAG的位點(diǎn)。
   • --minGQ 刪除GQ值低于數(shù)值的位點(diǎn)
   • --minDP,--maxDP保留覆蓋率min~max范圍內(nèi)的位點(diǎn)说莫。

計(jì)算統(tǒng)計(jì)參數(shù)

1. 輸出變異位點(diǎn)的計(jì)算統(tǒng)計(jì)
   • --freq, --freq2輸出每個(gè)等位基因位點(diǎn)的頻率杨箭。
   • --counts,位點(diǎn)數(shù)目的統(tǒng)計(jì)
2. 位點(diǎn)覆蓋深度Depth統(tǒng)計(jì)
   • depth輸出每個(gè)個(gè)體的平均覆蓋度，以idepth文件展示
   • --site-depth,--site-mean-depth每個(gè)位點(diǎn)的所有個(gè)體深度
   • --geno-depth每個(gè)基因型的覆蓋深度文件
3. LD計(jì)算(Linkage Disequilibrium)
   • --hap-r2同時(shí)輸出r^2值, D值和D’值储狭。傳統(tǒng)LD值計(jì)算方法互婿，輸出hap.ld
   • --geno-r2，方法同PLINK軟件辽狈，計(jì)算squared correlation coefficient慈参，輸出geno.ld
   • --geno-chisq,
   • --hap-r2-positions FILE, --geno-r2-positions FILE和已有文件中的點(diǎn)做LD計(jì)算
   • --ld-window INT LD計(jì)算的最大SNP數(shù)目，即LD-window刮萌。 --ld-window-min最小數(shù)目
   • --ld-window-bp INT LD計(jì)算窗口的實(shí)際物理距離驮配。--ld-window-bp-min
   • --min-r2小于r2相關(guān)系數(shù)值將不被展示
   • --interchrom-hap-r2, --interchrom-geno-r2跨染色體的r2值計(jì)算。
4. Ts/Tv計(jì)算(transition/transversion )
   • TsTv INT 計(jì)算INT值內(nèi)的TsTv值着茸，輸出TsTv文件
   • TsTv-summaryTsTv值計(jì)算統(tǒng)計(jì)壮锻。
   • --TsTv-by-count, --TsTv-by-qual 計(jì)算tstv率。
   • --FILTER-summary添加到T值到FILTER列中
5. 核酸多樣性統(tǒng)計(jì)
   • --site-pi計(jì)算所有位點(diǎn)的多樣性值
   • --window-pi, --window-pi-step計(jì)算窗口中的核酸多樣性值
6. FST計(jì)算
   • --weir-fst-pop FILE:file must contain a list of individuals (one individual per line) from the VCF file that correspond to one population元扔，可多次躯保，生成weir.fst文件
   • --fst-window-size, --fst-window-step FSTc滑動(dòng)窗口計(jì)算，重測(cè)序一般2kb-10kb
7. 其它計(jì)算
   • --het Calculates a measure of heterozygosity on a per-individual basis.
   • --hardy 每個(gè)位點(diǎn)的哈溫平衡計(jì)算的Pvalue澎语。
   • --TajimaD INT Tajima’s D 計(jì)算
   • --indv-freq-burden：calculates the number of variants within each individual of a specific frequency.
   • --LROH Long Runs of Homozygosity
   • --relatedness, --relatedness2 計(jì)算relatedness statistic
   • --site-quality提取VCF文件中每個(gè)位點(diǎn)的QUAL信息
   • --missing-indv計(jì)算每個(gè)樣本的缺失率途事，輸出imiss
   • --missing-site計(jì)算每個(gè)位點(diǎn)的缺失率验懊。
   • --SNPdensity INT 一定窗口內(nèi)的SNP數(shù)目和頻率
   • --kept-sites,--remove-sites 通過過濾的位點(diǎn)到另一文件kept.sites文件,removed.sites中
   • --singletons detailing the location of singletons
   • --hapcount BED output the number of unique haplotypes within user specified bins.
   • --mendel PED report mendel errors identified in trios.
   • --extract-FORMAT-info <STRING> 提取format列中的指定TAG
   • --get-INFO <string> 提取INFO列中信息

輸出格式轉(zhuǎn)換

1. 輸出參數(shù)
   • --recode輸出.recode.vcf新文件
   • --recode-INFO-all保留所有的INFO信息
2. 格式轉(zhuǎn)換
   • --012 012矩陣文件
   • --IMPUTE impute文件
   • --ldhat-geno --ldhat LDhat格式。
   • --BEAGLE-GL, --BEAGLE-PL
   • --plink, --plink-tped, --chrom-mapPLINK格式

兩個(gè)VCF文件的比較操作

1. 另外一個(gè)VCF文件的輸入
   • --diff,--gzdiff,--diff-bcf FILE
   • --not-chr不同的chr跳過
2. 比較參數(shù)
   • --diff-site Outputs the sites that are common / unique to each file
   • --diff-indv 不同的個(gè)體樣本
   • --diff-site-discordance, --diff-indv-discordancecalculates discordance on a site by site basis.
   • --diff-indv-map <filename> 指定ID文件進(jìn)行比較
   • --diff-discordance-matrix calculates a discordance matrix
   • --diff-switch-error calculates phasing errors