Skip to content

生資工具 › NGS 工具 › bcftools

bcftools ​

處理 VCF / BCF 的標準工具:檢視、過濾、正規化、合併、加註解、查詢。多數指令要求輸入已 bgzip 壓縮並建索引(見 tabix)。

指令速查 ​

想做指令
壓縮 + 排序 + 索引bgzip in.vcf → bcftools sort in.vcf.gz -Oz -o s.vcf.gz → bcftools index -t s.vcf.gz
只看 header / 樣本名bcftools view -h in.vcf.gz、bcftools query -l in.vcf.gz
取區域bcftools view -r chr1:10000-20000 in.vcf.gz(-R regions.bed 用檔案)
取樣本bcftools view -s S1,S2 in.vcf.gz -Oz -o sub.vcf.gz
只留 PASS / SNV / indelbcftools view -f PASS、-v snps、-v indels
依條件保留 / 排除bcftools view -i 'QUAL>=30 && INFO/DP>=10'、-e '...'
不刪、只標記 FILTERbcftools filter -s LowQual -e 'QUAL<20 || INFO/DP<10'
拆多等位、左對齊bcftools norm -m -any -f ref.fa in.vcf.gz -Oz -o norm.vcf.gz
多個樣本合成一個 VCFbcftools merge a.vcf.gz b.vcf.gz -Oz -o merged.vcf.gz
同樣本不同區段接起來bcftools concat chr1.vcf.gz chr2.vcf.gz -Oz -o all.vcf.gz
兩個 VCF 的交集 / 差集bcftools isec -p out_dir a.vcf.gz b.vcf.gz
轉成表格bcftools query -f '%CHROM\t%POS\t%REF\t%ALT\t%QUAL[\t%GT]\n' in.vcf.gz
統計(Ts/Tv、各類變異數)bcftools stats in.vcf.gz > stats.txt
改染色體名稱bcftools annotate --rename-chrs map.txt
從另一個 VCF 補 ID / INFObcftools annotate -a dbsnp.vcf.gz -c ID
拆 VEP 的 CSQ 欄位bcftools +split-vep -f '%CHROM\t%POS\t%SYMBOL\t%Consequence\n' in.vcf.gz
參數意義
-O z / b / v / u輸出 bgzip VCF / BCF / 純文字 VCF / 未壓縮 BCF(管線中間步驟用 u 最快)
-o FILE輸出檔
-W輸出時順便建索引(1.17 起;-W=tbi 產生 .tbi)
--threads N壓縮 / 解壓用的執行緒
-i / -einclude / exclude 表達式;INFO/DP 與 FORMAT/DP 要寫清楚來源

merge vs concat:merge 合併「不同樣本」(欄變多);concat 接起「同一批樣本的不同區段」(列變多)。用錯會得到重複或缺漏。

範例:補上 dbSNP rsID ​

dbSNP 的 VCF(NCBI FTP)用 RefSeq accession 當染色體名(NC_000011.10),使用者 VCF 多為 chr11,要先統一名稱。

bash
# 1. 確認兩邊的染色體命名
bcftools view -h GCF_000001405.40.gz | grep '^##contig' | head
bcftools view -h sample.vcf.gz | grep '^##contig' | head

# 2. 對照表(兩欄、tab 分隔):舊名 新名
#    chr1   NC_000001.11
#    chr11  NC_000011.10
bcftools annotate --rename-chrs chrom_map.txt sample.vcf.gz -Oz -o sample.renamed.vcf.gz
bcftools index -t sample.renamed.vcf.gz

# 3. 從 dbSNP 補 ID 欄
bcftools annotate -a GCF_000001405.40.gz -c ID sample.renamed.vcf.gz -Oz -o sample.rsid.vcf.gz

注意版本:NC_000011.10 是 GRCh38、NC_000011.9 是 GRCh37。dbSNP 檔名中的 GCF_000001405.40 對應 GRCh38.p14、.25 對應 GRCh37.p13,必須與樣本的參考基因體一致,見 參考基因組。

範例:過濾與正規化 ​

bash
# 1. 拆多等位 + 左對齊(比對資料庫前一定要做,否則同一個 indel 有多種寫法)
bcftools norm -m -any -f GRCh38.fa raw.vcf.gz -Ou \
  | bcftools filter -s LowQual -e 'QUAL<30 || FORMAT/DP<10' -Oz -o filtered.vcf.gz
bcftools index -t filtered.vcf.gz

# 2. 只取通過的 SNV,轉成表格
bcftools view -f PASS -v snps filtered.vcf.gz \
  | bcftools query -f '%CHROM\t%POS\t%REF\t%ALT[\t%GT:%AD]\n' > pass_snvs.tsv

硬過濾的閾值與 VQSR 的取捨見 VQSR vs Hard Filtering。

常見錯誤 ​

錯誤訊息 / 現象原因 / 修正
the file is not BGZF compressed用了 gzip;改用 bgzip
could not load index沒建索引,或索引比 VCF 舊;重跑 bcftools index -t
annotate 補不到 ID染色體名稱或基因體版本不一致;或 indel 沒有先 norm
merge 報 header 衝突INFO / FORMAT 定義不同;加 --force-samples 前先確認是否真的是不同樣本
條件 DP<10 結果怪同時有 INFO/DP 與 FORMAT/DP;明確寫出來源