تنسيق استدعاء المتغيرات
يُعدّ تنسيق استدعاء المتغيرات ( VCF) تنسيقًا قياسيًا لملفات النصوص يُستخدم في المعلوماتية الحيوية لتخزين تسلسل الجينات أو اختلافات تسلسل الحمض النووي . طُوّر هذا التنسيق عام 2010 لمشروع الألف جينوم، ومنذ ذلك الحين استُخدم في مشاريع أخرى واسعة النطاق لتحديد النمط الجيني وتسلسل الحمض النووي . [ 1 ] [ 2 ] يُعتبر VCF تنسيق إخراج شائعًا لبرامج استدعاء المتغيرات نظرًا لبساطته وقابليته للتوسع. [ 3 ] [ 4 ] طُوّرت العديد من الأدوات لتحرير ملفات VCF ومعالجتها، بما في ذلك VCFtools، الذي أُصدر بالتزامن مع تنسيق VCF عام 2011، وBCFtools، الذي كان جزءًا من SAMtools حتى تم فصله إلى حزمة مستقلة عام 2014. [ 1 ] [ 5 ]
المعيار الحالي في الإصدار 4.5، [ 6 ] [ 7 ] على الرغم من أن مشروع الألف جينوم قد طور مواصفاته الخاصة للاختلافات الهيكلية مثل التضاعفات، والتي لا يمكن استيعابها بسهولة في المخطط الحالي. [ 8 ]
تم تطوير صيغ ملفات إضافية بناءً على صيغة VCF، بما في ذلك صيغة VCF الجينومية ( gVCF ). تُعدّ gVCF صيغةً موسّعة تتضمن معلومات إضافية حول "الكتل" التي تُطابق المرجع وخصائصها. [ 9 ] [ 10 ]
مثال
#fileformat=VCFv4.3 ##fileDate=20090805 ##source=myImputationProgramV3.1 ##reference=file:///seq/references/1000GenomesPilot-NCBI36.fasta ##contig=<ID=20,length=62435964,assembly=B36,md5=f126cdf8a6e0c7f379d618ff66beb2da,species="Homo sapiens",taxonomy=x> ##التجزئة المرحلية = جزئية ##INFO=<ID=NS,Number=1,Type=Integer,Description="عدد العينات التي تحتوي على بيانات"> ##INFO=<ID=DP,Number=1,Type=Integer,Description="العمق الكلي"> ##INFO=<ID=AF,Number=A,Type=Float,Description="تردد الأليل"> ##INFO=<ID=AA,Number=1,Type=String,Description="Ancestral Allele"> ##INFO=<ID=DB,Number=0,Type=Flag,Description="عضوية dbSNP، الإصدار 129"> ##INFO=<ID=H2,Number=0,Type=Flag,Description="عضوية هاب ماب 2"> ##FILTER=<ID=q10,Description="الجودة أقل من 10"> ##FILTER=<ID=s50,Description="أقل من 50% من العينات تحتوي على بيانات"> ##FORMAT=<ID=GT,Number=1,Type=String,Description="النمط الجيني"> ##FORMAT=<ID=GQ,Number=1,Type=Integer,Description="جودة النمط الجيني"> ##FORMAT=<ID=DP,Number=1,Type=Integer,Description="عمق القراءة"> ##FORMAT=<ID=HQ,Number=2,Type=Integer,Description="جودة النمط الفرداني"> #CHROM POS ID REF ALT QUAL FILTER INFO FORMAT NA00001 NA00002 NA00003 20 14370 rs6054257 GA 29 PASS NS=3;DP=14;AF=0.5;DB;H2 GT:GQ:DP:HQ 0|0:48:1:51,51 1|0:48:8:51,51 1/1:43:5:.,. 20 17330 . TA 3 q10 NS=3;DP=11;AF=0.017 GT:GQ:DP:HQ 0|0:49:3:58,50 0|1:3:5:65,3 0/0:41:3 20 1110696 rs6040355 AG,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 20 1230237 . T . 47 PASS NS=3;DP=13;AA=T GT:GQ:DP:HQ 0|0:54:7:56,60 0|0:48:4:51,51 0/0:61:2 20 1234567 microsat1 GTC G,GTCT 50 PASS NS=3;DP=9;AA=G GT:GQ:DP 0/1:35:4 0/2:17:2 1/1:40:3
رأس ملف VCF
يبدأ الملف برأسية تتضمن بيانات وصفية تُبيّن محتواه. تُرمز أسطر الرأسية بالرمز # . أما الكلمات المفتاحية الخاصة في الرأسية فتُرمز بالرمز ## . من الكلمات المفتاحية المُوصى بها: fileformat و fileDate و reference .
يحتوي رأس الملف على كلمات مفتاحية تصف بشكل اختياري دلاليًا ونحويًا الحقول المستخدمة في جسم الملف، ولا سيما INFO وFILTER وFORMAT (انظر أدناه).
عمليًا، غالبًا ما تحتوي رؤوس ملفات VCF على بيانات وصفية كبيرة تُضاف بواسطة برامج المصدر، مثل معلومات الجينوم المرجعي، وتعريفات القطع المتجاورة، ووصف المرشحات، وبيانات العينات، وحقول المصدر، وعلامات INFO أو FORMAT المخصصة. تُعد هذه البيانات الوصفية مهمة للتحقق من صحة البيانات وتفسيرها. [ 11 ]
أعمدة VCF
يأتي متن ملف VCF بعد العنوان، وهو مفصول بعلامات جدولة إلى 8 أعمدة إلزامية وعدد غير محدود من الأعمدة الاختيارية التي يمكن استخدامها لتسجيل معلومات أخرى حول العينة (العينات). عند استخدام أعمدة إضافية، يُستخدم العمود الاختياري الأول لوصف تنسيق البيانات في الأعمدة اللاحقة.
| اسم | وصف موجز (انظر المواصفات لمزيد من التفاصيل). | |
|---|---|---|
| 1 | كروم | اسم التسلسل (عادةً ما يكون كروموسومًا) الذي يُجرى عليه تحديد التباين. يُعرف هذا التسلسل عادةً باسم "التسلسل المرجعي"، أي التسلسل الذي يختلف عنه النموذج المُعطى. |
| 2 | نقاط البيع | الموضع الذي يبدأ من 1 للتغير في التسلسل المعطى. |
| 3 | بطاقة تعريف | معرّف التباين، على سبيل المثال معرّف dbSNP rs، أو "." إذا كان غير معروف. يجب فصل المعرّفات المتعددة بفواصل منقوطة بدون مسافات بيضاء. |
| 4 | مرجع | القاعدة المرجعية (أو القواعد في حالة الإدخال/ الحذف ) في الموضع المحدد على التسلسل المرجعي المحدد. |
| 5 | ALT | قائمة الأليلات البديلة في هذا الموضع. |
| 6 | الجودة | درجة جودة مرتبطة باستنتاج الأليلات المعطاة. |
| 7 | فلتر | علامة تشير إلى أي من مجموعة معينة من المرشحات فشل التغيير أو PASS إذا تم اجتياز جميع المرشحات بنجاح. |
| 8 | معلومات | قائمة قابلة للتوسيع من أزواج المفاتيح والقيم (الحقول) التي تصف التباين. انظر أدناه لبعض الحقول الشائعة. يتم فصل الحقول المتعددة بفواصل منقوطة مع قيم اختيارية بالصيغة التالية: .<key>=<data>[,data] |
| 9 | شكل | قائمة (اختيارية) قابلة للتوسيع من الحقول لوصف العينات. انظر أدناه لبعض الحقول الشائعة. |
| + | عينات | لكل عينة (اختيارية) موصوفة في الملف، يتم إعطاء قيم للحقول المدرجة في FORMAT |
حقول المعلومات الشائعة
يُسمح باستخدام المفاتيح العشوائية، على الرغم من أن الحقول الفرعية التالية محجوزة (وإن كانت اختيارية): [ 6 ]
| اسم | وصف موجز |
|---|---|
| AA | الأليل السلفي |
| مكيف هواء | عدد الأليلات في الأنماط الجينية، لكل أليل ALT، بنفس الترتيب المذكور |
| AF | تردد الأليل لكل أليل ALT بنفس الترتيب المذكور (استخدم هذا عند التقدير من البيانات الأولية، وليس من الأنماط الجينية المسماة). |
| AN | إجمالي عدد الأليلات في الأنماط الجينية المحددة |
| بي كيو | الجودة الأساسية لنظام إدارة المخاطر في هذا المنصب |
| سيجار | سلسلة سيجار تصف كيفية محاذاة أليل بديل مع الأليل المرجعي |
| قاعدة البيانات | عضوية dbSNP |
| DP | العمق المجمع عبر العينات، على سبيل المثال DP=154 |
| نهاية | موضع النهاية للمتغير الموصوف في هذا السجل (للاستخدام مع الأليلات الرمزية) |
| H2 | العضوية في hapmap2 |
| H3 | العضوية في hapmap3 |
| MQ | جودة رسم الخرائط RMS، على سبيل المثال MQ=52 |
| MQ0 | عدد قراءات MAPQ التي تغطي هذا السجل يساوي صفرًا |
| NS | عدد العينات التي تحتوي على بيانات |
| إس بي | انحياز السلسلة في هذا الموضع |
| جسدي | يشير ذلك إلى أن السجل عبارة عن طفرة جسدية، وذلك في علم جينوم السرطان. |
| تم التحقق | تم التحقق من ذلك من خلال تجربة متابعة |
| 1000 غرام | العضوية في مشروع الألف جينوم |
يتم تعريف أي حقول معلومات أخرى في رأس ملف .vcf.
حقول التنسيق الشائعة
| اسم | وصف موجز |
|---|---|
| إعلان | عمق القراءة لكل أليل |
| ADF | عمق القراءة لكل أليل على السلسلة الأمامية |
| ADR | عمق القراءة لكل أليل على الشريط العكسي |
| DP | عمق القراءة |
| المفوضية الأوروبية | عدد الأليلات البديلة المتوقعة |
| FT | فلتر يشير إلى ما إذا كان هذا النمط الجيني قد تم "استدعاؤه" |
| GL | احتمالات النمط الجيني |
| طبيب عام | الاحتمالات الخلفية للنمط الجيني |
| مجلة جي كيو | جودة النمط الجيني المشروط |
| جي تي | النمط الجيني |
| المقر الرئيسي | جودة النمط الفرداني |
| MQ | جودة رسم الخرائط RMS |
| PL | احتمالات النمط الجيني المُقاسة بمقياس Phred مُقرّبة إلى أقرب عدد صحيح |
| PQ | جودة الطور |
| ملاحظة: | مجموعة الطور |
يتم تعريف أي حقول تنسيق أخرى في رأس ملف .vcf.
مرشح VCF ثنائي
ملفات VCF الثنائية أو BCF هي صيغة ثنائية مضغوطة بصيغة BGZF من ملفات VCF. تتيح ملفات BCF إجراء استعلامات مفهرسة سريعة وفعالة باستخدام أدوات مثل Tabix بمجرد إنشاء ملف الفهرس.
انظر أيضاً
- تنسيق FASTA ، المستخدم لتمثيل تسلسلات الجينوم.
- تنسيق FASTQ ، المستخدم لتمثيل قراءات جهاز تسلسل الحمض النووي جنبًا إلى جنب مع درجات الجودة.
- تنسيق SAM ، المستخدم لتمثيل قراءات جهاز تسلسل الجينوم التي تمت محاذاتها مع تسلسلات الجينوم.
- تنسيق GVF (تنسيق تنوع الجينوم)، وهو امتداد يعتمد على تنسيق GFF3 .
- التحالف العالمي لعلم الجينوم والصحة (GA4GH) ، المجموعة التي تقود إدارة وتوسيع نطاق تنسيق VCF. [ 12 ] لم يعد مشروع الألف جينوم مسؤولاً عن صيانة مواصفات VCF. [ 13 ]
مراجع
- 1 2 دانيك، بيتر؛ أوتون، آدم؛ أبيكاسيس، غونكالو؛ ألبرز، كورنيليس أ.؛ بانكس، إريك؛ ديبريستو، مارك أ.؛ هاندساكر، روبرت إي.؛ لونتر، جيرتون؛ مارث، غابور ت.؛ شيري، ستيفن ت.؛ مكفيان، جيليان؛ دوربين، ريتشارد (2011-08-01). "تنسيق استدعاء المتغيرات وأدوات VCF" . المعلوماتية الحيوية . 27 (15): 2156-2158 . doi : 10.1093/bioinformatics/btr330 . ISSN 1367-4803 . PMC 3137218. PMID 21653522 .
- ↑ أوسولا، ألكسندرا (20 مارس 2015). "السباق لبناء محرك بحث لحمضك النووي" . مجلة IEEE Spectrum . تم الاطلاع عليه بتاريخ 22 مارس 2015 .
- ↑ "فهم تنسيق VCF | التباين الجيني البشري" . EMBL-EBI . مؤرشف من الأصل بتاريخ 20 أبريل 2023. تم الاطلاع عليه بتاريخ 10 نوفمبر 2023 .
- ↑ غاريسون، إريك؛ كروننبرغ، زيف ن.؛ داوسون، إريك ت.؛ بيدرسن، برنت س.؛ برينس، بيوتر (31 مايو 2022). "مجموعة من أدوات البرمجيات المجانية لمعالجة تنسيق استدعاء المتغيرات VCF: vcflib، bio-vcf، cyvcf2، hts-nim، وslivar" . مجلة PLOS لعلم الأحياء الحاسوبي . 18 (5) e1009123. رمز Bibcode : 2022PLSCB..18E9123G . doi : 10.1371/journal.pcbi.1009123 . ISSN 1553-734X . PMC 9286226. PMID 35639788 .
- ↑ دانيك، بيتر؛ بونفيلد، جيمس ك؛ ليدل، جينيفر؛ مارشال، جون؛ أوهان، فاليريو؛ بولارد، مارتن أو؛ ويتهام، أندرو؛ كين، توماس؛ مكارثي، شين أ؛ ديفيز، روبرت م؛ لي، هينغ (29 يناير 2021). " اثنا عشر عامًا من SAMtools وBCFtools" . GigaScience . 10 (2) giab008. doi : 10.1093/gigascience/giab008 . ISSN 2047-217X . PMC 7931819. PMID 33590861 .
- 1 2 "مواصفات VCF" (ملف PDF) . تم الاطلاع عليه بتاريخ 30 يوليو 2024 .
- ↑ "مواصفات SAM/BAM وتنسيقات ملفات التسلسل عالية الإنتاجية ذات الصلة" . GitHub . تم الاطلاع عليه بتاريخ 24 يونيو 2014 .
- ↑ "ترميز المتغيرات البنيوية في VCF (تنسيق استدعاء المتغيرات) الإصدار 4.0 | مشروع الألف جينوم" . تم الاطلاع عليه بتاريخ 20 أكتوبر 2016 .
- ↑ "GVCF - تنسيق استدعاء المتغيرات الجينومية" . GATK . معهد برود. 25 يونيو 2024.
- ↑ "ملفات gVCF" . شركة Illumina. تم الاطلاع عليه بتاريخ 10-11-2023 .
- ↑ لوليس، ديلان (2026). "vcfheader: تحليل سريع لبيانات رأس ملف تنسيق استدعاء المتغيرات الجينية ومراجعتها" . CRAN . شبكة أرشيف R الشاملة. doi : 10.32614/CRAN.package.vcfheader .
- ↑ "مواصفات تنسيق HTS" . samtools.github.io . تم الاطلاع عليه بتاريخ 22-02-2022 .
- ↑ "عالم تكنولوجيا المعلومات الحيوية" . www.bio-itworld.com . تاريخ الاسترجاع: 26-10-2018 .
روابط خارجية
- تنسيق التسلسل البيولوجي