外觀
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 / indel | bcftools 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 FILTER | bcftools 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 VCF | bcftools 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 / INFO | bcftools 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 / -e | include / exclude 表達式;INFO/DP 與 FORMAT/DP 要寫清楚來源 |
mergevsconcat: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 |