【佳學(xué)基因檢測(cè)】基因檢測(cè)數(shù)據(jù)庫(kù)調(diào)用內(nèi)容中的VCF文件中的INFO的意義：培訓(xùn)教材

基因檢測(cè)技術(shù)導(dǎo)讀：

完整高效的基因檢測(cè)包括基因檢測(cè)位點(diǎn)的先擇、基因序列的獲取、基因突變的序列的鑒定、突變位點(diǎn)生理學(xué)意義的注釋?；谌怙@子測(cè)序和全基因測(cè)序的基因檢測(cè)由于獲取的是全部基因序列，基因位點(diǎn)的選擇就不重要了，而基因突變序列的鑒定和生理學(xué)意義的注釋成為非常重要的環(huán)節(jié)。雖然，基因解碼在數(shù)據(jù)庫(kù)比對(duì)之外，采用了更高級(jí)的序列注釋分析方法，但是，數(shù)據(jù)庫(kù)比對(duì)、調(diào)用及注釋是全外顯子測(cè)序基因檢測(cè)和全基因測(cè)序基因檢測(cè)的賊為基礎(chǔ)的一環(huán)。下面，是佳學(xué)基因?qū)ι镄畔⒏呓?jīng)技巧班學(xué)員進(jìn)行進(jìn)一步有培訓(xùn)的內(nèi)容之一。

不同的VCF的內(nèi)容

8. INFO為variant的詳細(xì)信息字段的意思可以在header里搜索去看

上面vcf 中INFO全為“.”了，是因?yàn)橛?vcftools 某步過濾SNP輸出文件時(shí)用了 --recode ，這樣就不輸出info信息，以 . 代替了，想輸出info，可以--recode-INFO xx（如MQ）或者 --recode-INFO-all （所有info全部輸出）

#DP-read depth：樣本在這個(gè)位置的reads覆蓋度。是一些reads被過濾掉后的覆蓋度。DP4:高質(zhì)量測(cè)序堿基，位于REF或者ALT前后

#QD：通過深度來評(píng)估一個(gè)變異的可信度。Variant call confidence normalized by depth of sample reads supporting a variant

#MQ：表示覆蓋序列質(zhì)量的均方值RMS Mapping Quality

#FQ：phred值關(guān)于所有樣本相似的可能性

#AC，AF 和 AN：AC(Allele Count) 表示該Allele的數(shù)目；AF(Allele Frequency) 表示Allele的頻率； AN(Allele Number) 表示Allele的總數(shù)目。

#FS

FS是一個(gè)通過Fisher檢驗(yàn)的p-value轉(zhuǎn)換而來的值，它要描述的是測(cè)序或者比對(duì)時(shí)對(duì)于只含有變異的read以及只含有參考序列堿基的read是否存在著明顯的正負(fù)鏈特異性（Strand bias，或者說是差異性）。這個(gè)差異反應(yīng)了測(cè)序過程不夠隨機(jī)，或者是比對(duì)算法在基因組的某些區(qū)域存在一定的選擇偏向。如果測(cè)序過程是隨機(jī)的，比對(duì)是沒問題的，那么不管read是否含有變異，以及是否來自基因組的正鏈或者負(fù)鏈，只要是真實(shí)的它們就都應(yīng)該是比較均勻的，也就是說，不會(huì)出現(xiàn)鏈特異的比對(duì)結(jié)果，F(xiàn)S應(yīng)該接近于零。使用F檢驗(yàn)來檢驗(yàn)測(cè)序是否存在鏈偏好性。鏈偏好性可能會(huì)導(dǎo)致變異等位基因檢測(cè)出現(xiàn)錯(cuò)誤。輸出值Phred-scaled p-value，值越大越可能出現(xiàn)鏈偏好性。

#MLEAC：Maximum likelihood expectation (MLE) for the allele counts (not necessarily the same as the AC), for each ALT allele, in the same order as listed. 對(duì)于每個(gè)ALT等位基因,等位基因計(jì)數(shù)(不一定與AC相同)的賊大似然期望(MLE),順序與列出的順序相同

#MLEAF：Maximum likelihood expectation (MLE) for the allele frequency (not necessarily the same as the AF), for each ALT allele, in the same order as listed. 對(duì)于每個(gè)ALT等位基因，等位基因頻率（不一定與AF相同）的賊大似然期望（MLE），順序與列出的順序相同

StrandOddsRatio（SOR）

關(guān)于SOR在上面講到FS的時(shí)候，我就在注釋里提及過了。它同樣是對(duì)鏈特異（Strand bias）的一種描述，但是從上面我們也可以看到FS在硬過濾的時(shí)候并不是非常給力，而且由于很多時(shí)候read在外顯子區(qū)域末端的覆蓋存在著一定的鏈特異（這個(gè)區(qū)域的現(xiàn)象其實(shí)是正常的），往往只有一個(gè)方向的read，這個(gè)時(shí)候該區(qū)域中如果有變異位點(diǎn)的話，那么FS通常會(huì)給出很差的分值，這時(shí)SOR就能夠起到比較好的校正作用了。計(jì)算SOR所用的統(tǒng)計(jì)檢驗(yàn)方法也與FS不同，它用的是symmetric odds ratio test，數(shù)據(jù)是一個(gè)2×2的列聯(lián)表（如下），公式也十分簡(jiǎn)單，我把公式進(jìn)行了簡(jiǎn)單的展開，從中可以清楚地看出，它考慮的其實(shí)就是ALT和REF這兩個(gè)堿基的read覆蓋方向的比例是否有偏，如果有效無偏，那么應(yīng)該等于1。

VQSLOD是什么意思，有什么用途？

VQSLOD是Variant Quality Score Log Odds Ratio的縮寫，它是一種用于衡量變異位點(diǎn)質(zhì)量的指標(biāo)，常用于遺傳變異的鑒定、分類和篩選。

VQSLOD指標(biāo)是由GATK（Genome Analysis Toolkit）開發(fā)的一種方法，在變異位點(diǎn)質(zhì)量評(píng)估中得到廣泛應(yīng)用。該指標(biāo)通過比較某個(gè)變異位點(diǎn)的觀測(cè)結(jié)果與期望結(jié)果之間的對(duì)數(shù)比值來計(jì)算變異位點(diǎn)的質(zhì)量。VQSLOD值越高，表示該變異位點(diǎn)越高效，可信度越高，反之則表示該變異位點(diǎn)的高效性較低。

VQSLOD的應(yīng)用可以幫助分析人員將高質(zhì)量的變異位點(diǎn)篩選出來，以便進(jìn)一步分析和研究。此外，VQSLOD指標(biāo)還可以與其他指標(biāo)結(jié)合使用，如各類濾波器和注釋信息，以提高變異位點(diǎn)的篩選效率和正確性。

culprit=FS是什么意思

"Culprit=FS"是一種對(duì)遺傳變異的注釋（annotation），其中"Culprit"表示致病性變異的可能性，"FS"是該致病性變異的一種計(jì)算方法。

FS是Fisher Strand Bias的縮寫，是一種用于檢測(cè)單倍型偏移（haplotype bias）的統(tǒng)計(jì)方法。在遺傳變異的研究中，單倍型偏移指的是在一組樣本中，某個(gè)變異位點(diǎn)的兩種等位基因的比例與預(yù)期比例不一致的現(xiàn)象。如果某個(gè)變異位點(diǎn)的兩種等位基因在一些單倍型中出現(xiàn)的頻率比在其他單倍型中高，那么就可能產(chǎn)生單倍型偏移的現(xiàn)象。

FS值是根據(jù)Fisher正確檢驗(yàn)計(jì)算得出的，用于評(píng)估單倍型偏移的可能性。如果一個(gè)變異位點(diǎn)的FS值很高，表明該位點(diǎn)存在單倍型偏移的可能性較大，可能對(duì)其致病性評(píng)估產(chǎn)生影響。

因此，"Culprit=FS"這一注釋表示該變異位點(diǎn)的致病性評(píng)估結(jié)果受到單倍型偏移的影響，需要進(jìn)行更加謹(jǐn)慎的評(píng)估。在遺傳變異分析中，注釋信息能夠幫助分析人員更好地理解變異位點(diǎn)的特性和可能的致病性，從而更好地指導(dǎo)臨床應(yīng)用和疾病研究。

POSITIVE_TRAIN_SITE是什么意思？

POSITIVE_TRAIN_SITE是用于機(jī)器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集的一種標(biāo)記（tag）。在機(jī)器學(xué)習(xí)中，POSITIVE_TRAIN_SITE通常指的是被認(rèn)為具有某種屬性或特征的數(shù)據(jù)樣本，這些樣本被用來訓(xùn)練機(jī)器學(xué)習(xí)模型。

在基因組學(xué)中，POSITIVE_TRAIN_SITE常常指的是已知的、被確認(rèn)為具有某種遺傳變異的基因組位點(diǎn)。這些位點(diǎn)通常被認(rèn)為與某種疾病或特定的遺傳特征相關(guān)。POSITIVE_TRAIN_SITE通常用于訓(xùn)練機(jī)器學(xué)習(xí)模型，以便對(duì)新的、未知的遺傳變異進(jìn)行分類和預(yù)測(cè)。比如，如果一個(gè)基因組位點(diǎn)被標(biāo)記為POSITIVE_TRAIN_SITE，那么機(jī)器學(xué)習(xí)模型會(huì)使用該位點(diǎn)的信息來學(xué)習(xí)如何識(shí)別其他類似的位點(diǎn)，并預(yù)測(cè)它們是否具有相同的遺傳變異。

在基因組學(xué)中，POSITIVE_TRAIN_SITE還可以用于改進(jìn)遺傳變異的篩選和注釋方法。通過使用POSITIVE_TRAIN_SITE，分析人員可以訓(xùn)練模型來識(shí)別和過濾掉可能不相關(guān)的變異位點(diǎn)，從而提高變異位點(diǎn)的篩選正確性和高效性。

GT：

樣品的基因型（genotype）。兩個(gè)數(shù)字中間用’/”分開，這兩個(gè)數(shù)字表示雙倍體的sample的基因型。0表示樣品中有ref的allele； 1 表示樣品中variant的allele； 2表示有第二個(gè)variant的allele。

因此： 0/0表示sample中該位點(diǎn)為純合的，和ref一致； 0/1 表示sample中該位點(diǎn)為雜合的，有ref和variant兩個(gè)基因型； 1/1
表示sample中該位點(diǎn)為純合的，和variant一致。

AD 和 DP：

AD(Allele Depth)為sample中每一種allele的reads覆蓋度,在diploid中則是用逗號(hào)分割的兩個(gè)值，前者對(duì)應(yīng)ref基因型，后者對(duì)應(yīng)variant基因型；

DP（Depth）為sample中該位點(diǎn)的覆蓋度(一些reads被過濾掉的覆蓋度)。

GQ：

基因型的質(zhì)量值(Genotype Quality)。Phred格式(Phred_scaled)的質(zhì)量值，表示在該位點(diǎn)該基因型存在的可能性；該值越高，則Genotype的可能性越大；計(jì)算方法：Phred值 = -10 * log (1-p) p為基因型存在的概率。

指定三種基因型的質(zhì)量值。這三種指定的基因型為(0/0,0/1,1/1)，這三種基因型的概率總和為1。該值越大，表明為該種基因型的可能性越小。 Phred值 = -10 * log (p) p為基因型存在的概率。

(責(zé)任編輯：佳學(xué)基因)