Demostrando la diferencia entre los formatos BCF binario y VCF.
El Variant Call Format (VCF, formato de llamado de variantes) es un formato de texto que se usa en Bioinformática para almacenar variantes de una o varias secuencias de genes respecto a un genoma de referencia. Este formato se ha desarrollado a la luz de los grandes proyectos de secuenciación del ADN y genotipado, como el Proyecto 1000 Genomas. Otros formatos para almacenar datos genéticos como el General feature format (GFF), almacena todos los datos genéticos pero muchos de ellos son redundantes, al compartirse a lo largo de los genomas. En cambio, en el formato VCF sólo se almacenan las variantes genéticas respecto al genoma de referencia.
La versión actual es la 4.3,[1][2] aunque el Proyecto 1000 Genomas ha desarrollado sus propias especificaciones para variación estructural como duplicaciones y rearreglos genómicos, que son difíciles de acomodar en el esquema existente.[3] También existen un grupo de herramientas para editar y manipular los ficheros VCF.[4]
Ejemplo
##fileformat=VCFv4.0
##fileDate=20110705
##reference=1000GenomesPilot-NCBI37
##phasing=partial
##INFO=<ID=NS,Number=1,Type=Integer,Description="Number of Samples With Data">
##INFO=<ID=DP,Number=1,Type=Integer,Description="Total Depth">
##INFO=<ID=AF,Number=.,Type=Float,Description="Allele Frequency">
##INFO=<ID=AA,Number=1,Type=String,Description="Ancestral Allele">
##INFO=<ID=DB,Number=0,Type=Flag,Description="dbSNP membership, build 129">
##INFO=<ID=H2,Number=0,Type=Flag,Description="HapMap2 membership">
##FILTER=<ID=q10,Description="Quality below 10">
##FILTER=<ID=s50,Description="Less than 50% of samples have data">
##FORMAT=<ID=GQ,Number=1,Type=Integer,Description="Genotype Quality">
##FORMAT=<ID=GT,Number=1,Type=String,Description="Genotype">
##FORMAT=<ID=DP,Number=1,Type=Integer,Description="Read Depth">
##FORMAT=<ID=HQ,Number=2,Type=Integer,Description="Haplotype Quality">
#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT Sample1 Sample2 Sample3
2 4370 rs6057 G A 29 . NS=2;DP=13;AF=0.5;DB;H2 GT:GQ:DP:HQ 0|0:48:1:52,51 1|0:48:8:51,51 1/1:43:5:.,.
2 7330 . T A 3 q10 NS=5;DP=12;AF=0.017 GT:GQ:DP:HQ 0|0:46:3:58,50 0|1:3:5:65,3 0/0:41:3
2 110696 rs6055 A G,T 67 PASS NS=2;DP=10;AF=0.333,0.667;AA=T;DB GT:GQ:DP:HQ 1|2:21:6:23,27 2|1:2:0:18,2 2/2:35:4
2 130237 . T . 47 . NS=2;DP=16;AA=T GT:GQ:DP:HQ 0|0:54:7:56,60 0|0:48:4:56,51 0/0:61:2
2 134567 microsat1 GTCT G,GTACT 50 PASS NS=2;DP=9;AA=G GT:GQ:DP 0/1:35:4 0/2:17:2 1/1:40:3
Cabeceras de VCF
Las cabeceras inician el archivo y proveen metadatos describiendo el contenido del archivo. Las líneas de cabecera son indicadas con una almohadilla (#) al inicio de la línea. Palabras clave en la cabecera son denotadas con ##. Algunas palabras clave recomendadas son fileformat, fileDate y reference.
La cabecera contiene palabras clave opcionales que semántica o sintácticamente describen los campos usados en el cuerpo del archivo, entre los cuales destacan INFO, FILTER y FORMAT (ver abajo).
Columnas de un VCF
El cuerpo de un archivo VCF sigue a la cabecera y está separado por tabuladores en 8 columnas obligatorias y puede contener un número ilimitado de columnas opcionales las cuales pueden ser empleadas para registrar otra información relativa a la(s) muestra(s). Cuando columnas adicionales son empleadas, la primera columna opcional es usada para describir el formato de los datos en las columnas subsecuentes.
Nombre
Breve descripción (revisar las especificaciones para más detalles).
1
CHROM
El nombre de la secuencia (típicamente un cromosoma) en el cual se está registrando. Esta secuencia es usualmente conocida como la "secuencia de referencia", es decir,la secuencia contra la cual la muestra dada presenta cambios.
2
POS
La posición (contando desde 1) de la variación en la secuencia dada.
3
ID
El identificador de la variación, por ejemplo, el identificador rs en dbSNP, o "." si este identificador es desconocido. Múltiples identificadores deben ser separados por punto y coma sin espacios entre ellos.
4
REF
La base de referencia (o bases en caso de una indel) en la posición dada para la secuencia de referencia.
5
ALT
La lista de alelos alternativos para esta posición.
6
QUAL
Una calificación asociada con la inferencia de los alelos dados.
7
FILTER
Una bandera indicando cual de los conjuntos de filtros han fallado para esta variación o PASS si todos los filtros fueron aprobados correctamente
8
INFO
Una lista expandible de parejas llave-valor (campos) describiendo la variación. Ver abajo para algunos campos comunes. Múltiples campos deben separarse por punto y coma con valores opcionales en el formato:<key>=<data>[,data].
9
FORMAT
Una lista extensible (opcional) de campos para describir las muestras. Ver abajo para algunos campos comunes.
+
SAMPLEs
Para cada muestra (opcional) descrita en el archivo, se brindan valores para los campos listados en FORMAT.
Campos INFO comunes
Etiquetas arbitrarias son permitidas por el formato, sin embargo las siguientes etiquetas están reservadas:[1]
Etiqueta
Breve descripción
AA
alelo ancestral
AC
cuenta de alelos en genotipos, para cada alelo ALT, en el mismo orden listado
AF
frecuencia de alelos para cada alelo ALT en el mismo orden listado (usar este cuando es estimado de una fuente primaria de datos)
AN
número total de alelos en genotipos listados
BQ
Calidad base RMS en esta posición
CIGAR
cadena cigar describiendo el alineamiento de un alelo alternativo de inserción o deleción con respecto al alelo de referencia
DB
referencia dbSNP
DP
profundidad combinada a través de las muestras, e.g. DP=154
END
posición final de la variante descrita en este registro (para usar con alelos simbólicos)
H2
referencia hapmap2
H3
referencia hapmap3
MQ
calidad de mapeo RMS, e.g. MQ=52
MQ0
Number of MAPQ == 0 reads covering this record
NS
Número de muestras con datos
SB
estadísticas de componentes por muestra para detectar el sesgo
SOMATIC
indica que el registro corresponde a una mutación somática, para genómica de cáncer
VALIDATED
validated by follow-up experiment
1000G
membership in 1000 Genomes
Cualquier otro campo INFO es definido en la cabecera del archivo vcf.
Campos FORMAT comunes
Nombre
Breve descripción
AD
Profundidad de lectura para cada alelo
ADF
Read depth for each allele on the forward strand
ADR
Read depth for each allele on the reverse strand
DP
Profundidad de lectura
EC
Conteo esperado de alelos alternativos
FT
Filtro indicando si este genotipo fue "llamado"
GL
Verosimilitud de genotipo
GP
Probabilidad posterior de genotipo
GQ
Calidad condicional de genotipo
GT
Genotipo
HQ
Calidad de Haplotipo
MQ
Calidad de mapeo RMS
PL
Phred-scaled genotype likelihoods rounded to the closest integer
PQ
Calidad de fase
PS
Conjunto de fase
Cualquier otro campo FORMAT es definido en la cabecera del archivo vcf.
