學習Jimmy直播我的基因組系列
SNV（經常會被混著SNP來稱呼，我們先不糾結這個細節）
- 通常一個人的全基因組測序數據可以挖掘到四百萬個SNVs(跟參考基因組不一樣的單堿基位點)，還有五十萬的indels(insertions or deletions),但是得到的數據通常是以vcf文件格式給出的(自行搜索什么是vcf格式)，比如下面：
2.首先記住一個很重要的知識點，變異是相對的！變異不等于突變。 簡單說一下什么是找變異，變異跟突變有什么區別呢？舉個栗子：有國際組織規定了人類的參考基因組（如UCSC,ENSEMBL,NCBI等，前面帖子都有講)，就是 AAAAA(這里簡化一下，就5個堿基，其實人類基因組多達30億個) 。現在通過給自己測序得知，我與之對應的是AGCAA，那么我相比國際基因組來說，就是2個變異位點，位于基因組的坐標2和3，但是它們還不能說就是突變。
如第二位堿基，雖然我的是G，參考基因組是A，但是全球已經測序了幾百萬人，而我查看了他們的測序結果，其中99萬人都是G，這說明是參考基因組出現了問題，可能是國際組織當年恰好選擇了一個人是A，所以就規定第二個堿基是A。所以雖然我用軟件找到了我的這個位點相對于參考基因組是來說，是一個變異，但是這恰好是好事，完全不用擔心，我們也不需要用突變這個單詞來描述它！
那么接下來看第3位堿基，同樣，國際組織規定了是A，而我卻測了個C，但是全球已經公布的一百萬人里面99.999萬人都跟參考一樣，就是A。有一個人和參考基因組對應的堿基不一樣，不一樣的那個人是個有病的患者，這個時候，你就慘了，這個變異，就是突變了！
很多變異其實只是造成人種多樣性的原因，是構成人獨特性的基礎，而那些跟疾病相關的變異，我們通常就會叫做是突變！
因我只舉了2個極端的例子，所以大家可能會誤以為，跟大多數人一樣，就沒事了！其實也并不是這樣，一般來說，在正常人的數據庫里面出現了5%的變異就可以認為沒什么大的危害，而且變異還可以分成germline、somatic、de novo等情況，如果是特定性的針對某種疾病還可以找driver的mutation.
vcf就是一個尤為重要的基本數據格式，里面描述的是變異位點的信息，是一個表格形式，不同的表頭下面有著不同的信息。VCF格式本來由千人基因組計劃提出來，方便描述他們找到的海量(當時是海量)變異位點。本質上也是個文本文件而已，普通編輯器打開即可。但是它對每一行每一列有具體的定義，包括文件最前面一些#開頭的注釋信息(這個非常重要，后面每一個位點的描述的tag都在這個注釋信息里面可以找到)
4.vcf文件的正文部分
vcf的正文部分，必須要有的是前面8列，一般來說可以有10列，分別是：
-1. #CHROM
POS
ID
REF（參考序列的堿基）
ALT（Variant的堿基）
QUAL
FILTER [來自于##FILTER]
INFO
FORMAT
可能會有樣本的名稱本
CHROM 和 POS：參考序列名和variant的位置；如果是INDEL的話，位置是INDEL的第一個堿基位置。
ID：variant的ID。比如在dbSNP中有該SNP的id，則會在此行給出；若沒有，則用’."表示其為一個novel variant。
REF 和 ALT：參考序列的堿基 和 Variant的堿基。
QUAL：Phred格式(Phred_scaled)的質量值，表 示在該位點存在variant的可能性；該值越高，則variant的可能性越大；計算方法：Phred值 = -10 * log (1-p) p為variant存在的概率; 通過計算公式可以看出值為10的表示錯誤概率為0.1，該位點為variant的概率為90%。
FILTER：使用上一個QUAL值來進行過濾的話，是不夠的。GATK能使用其它的方法來進行過濾，過濾結果中通過則該值為”PASS”;若variant不可靠，則該項不為”PASS”或”.”。
INFO：這一行是variant的詳細信息，內容很多，以下再具體詳述。
FORMAT 和 TTG11B：這兩行合起來提供了’TTG11B′這個sample的基因型的信息。’TTG11B′代表這該名稱的樣品，是由BAM文件中的@RG下的 SM 標簽決定的。
前面7列都很簡單，顧名思義，分別就是該變異位點位于參考基因組的哪條染色體，哪個位置，是否被一下數據庫給標記了ID(通常說的是dbSNP)，該位置的參考基因組是什么堿基，這個變異位點變異成了什么堿基。找到這個變異的軟件給它的質量值是多少，是否合格。下面這個表格里面我們可以看到第十列就是'realign'，可以看到比對時候@RG留下來的sam的樣本名稱，就可以知道這個vcf是經過realign的那個bam里面call出來的突變。
vcf只學七列是遠遠不夠的，我們有必要下功夫把較為復雜的第8列和第9列的內容好好學習一下！
第8列 INFO 就非常復雜了，該列信息最多了，看起來是一列，但是里面可以無限包容，可以根據字段拆分成多列，都是以 “TAG=Value”,并使用”;”分隔的形式。其中很多的TAG含義在VCF文件的頭部注釋信息##INFO中已給出。
通常我們熟悉的tag有：
AC，AF 和，AN[A開頭的多和等位基因有關]：
AC(Allele Count) 表示該Allele的數目；
AF(Allele Frequency) 表示Allele的頻率；
AN(Allele Number) 表示Allele的總數目。
對于1個diploid sample[二倍體樣本]而言
則基因型 0/1 表示sample為雜合子，Allele數為1(雙倍體的sample在該位點只有1個等位基因發生了突變)，Allele的頻率為0.5(雙倍體的 sample在該位點只有50%的等位基因發生了突變)，總的Allele為2； 基因型 1/1 則表示sample為純合的，Allele數為2，Allele的頻率為1，總的Allele為2。
DP：reads覆蓋度。是一些reads被過濾掉后的覆蓋度。[注意，第八列和第九列都有DP，都表示該位點覆蓋深度的信息，但是詳細意義可能是不同的大家可以探究一下，在head里面就可以找到相應信息]
Dels：Fraction of Reads Containing Spanning Deletions。進行SNP和INDEL calling的結果中，有該TAG并且值為0表示該位點為SNV，沒有則為INDEL。[這個值很重要，可以根據這個tag分離indel和snv]
如果你覺得call變異的軟件默認給出的tag不符合你的要求，你可以繼續用其它軟件在該列里面不停的增加tag，我見過給該列直接添加到180個tag的，我們后面主要講如何來添加tag。
有了這8列，已經是標準的vcf文件了，但是大家肯定會奇怪，還沒有關于這個位點的基因型，測序深度的描述的信息。
這就是屬于后面的第9列FORMAT規定的了，如果有多個樣本，就會按照第九列的格式不停的增加下去。
第九列可以是GT,DP,FT,GL,PL,GP等等，都可以在該vcf文件的表頭里面找到關于它們的解釋。前面所講的 ##FORMAT 表頭部分 便是對第九列的解釋
第九列相對于第八列來說沒有那么復雜的信息，數據格式是比較固定的，其中包含的信息也很重要，主要是某一個特定位點基因型，測序深度的描述，因此有必要弄清楚。
第9列數據，包含兩列內容，兩列內容是對應的，前者為格式，后者為格式對應的數據。
GT：樣品的基因型（genotype）。兩個數字中間用’/"分 開，這兩個數字表示雙倍體的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variant的allele。因此： 0/0 表示sample中該位點為純合的，和ref一致； 0/1 表示sample中該位點為雜合的，有ref和variant兩個基因型； 1/1 表示sample中該位點為純合的，和variant一致。
AD 和 DP：AD(Allele Depth)為sample中每一種allele的reads覆蓋度,在diploid中則是用逗號分割的兩個值，前者對應ref基因型，后者對應variant基因型； DP（Depth）為sample中該位點的覆蓋度。
GQ：基因型的質量值(Genotype Quality)。Phred格式(Phred_scaled)的質量值，表示在該位點該基因型存在的可能性；該值越高，則Genotype的可能性越 大；計算方法：Phred值 = -10 * log (1-p) p為基因型存在的概率。
PL：指定的三種基因型的質量值(provieds the likelihoods of the given genotypes)。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。和之前不一致，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。
最需要理解的就是DP4和GT了：
第十列的話就是樣本的信息 可以在比對的時候使用@RG來做一個標記
