讲座3：突变数据格式详解

作者

王诗翔

发布于

2026年4月23日

3.1 VCF 格式详解

VCF（Variant Call Format）是存储基因组变异数据的标准格式。

VCF 文件结构

VCF 文件由三部分组成：

1. 元数据部分（以 ## 开头）：

##fileformat=VCFv4.3
##fileDate=20250101
##source=MyCaller
##reference=GRCh38
##INFO=<ID=DP,Number=1,Type=Integer,Description="Total Depth">
##FORMAT=<ID=GT,Number=1,Type=String,Description="Genotype">

2. 列标题部分（以 # 开头）：

#CHROM  POS     ID        REF  ALT  QUAL  FILTER  INFO          FORMAT  Sample1

3. 数据行部分：

chr1    100     rs123     A    G    100   PASS    DP=50;NS=2    GT:DP   0/1:50

VCF 主要字段详解

字段	类型	描述
CHROM	String	染色体名称
POS	Integer	变异位点位置（1-based）
ID	String	变异位点标识（如 rs 号）
REF	String	参考序列碱基
ALT	String	变异序列碱基
QUAL	Float	质量得分（Phred尺度）
FILTER	String	过滤状态
INFO	String	附加信息（键值对）
FORMAT	String	样本数据格式描述
Sample列	String	样本具体数据

INFO 字段常用标签

标签	描述
DP	总深度
NS	样本数
AC	变异等位基因计数
AF	变异等位基因频率
DB	dbSNP 数据库中存在
H2	HapMap2 数据库中存在

VCF 文件读取示例

library(VariantAnnotation)

# 读取 VCF 文件
vcf <- readVcf("sample.vcf.gz", "hg19")

# 提取基本信息
head(rowRanges(vcf))

# 提取 INFO 字段
info(vcf)

# 提取样本基因型
geno(vcf)$GT

3.2 MAF 格式详解

MAF（Mutation Annotation Format）是 TCGA 项目定义的突变注释格式。

MAF 文件特点

纯文本格式，Tab 分隔
包含所有样本的 SNV 和注释信息
一行一个突变记录
适合下游统计分析

MAF 文件结构

#version 2.4
Hugo_Symbol   Entrez_Gene_Id  Chromosome  Start_Position  End_Position  Variant_Classification  ...
TP53          7157            chr17       7579472         7579472       Missense_Mutation       ...
BRCA1         672             chr17       41276132        41276132      Nonsense_Mutation       ...

MAF 必需字段（32列）

序号	字段名	描述
1	Hugo_Symbol	HUGO 基因名
2	Entrez_Gene_Id	Entrez 基因ID
3	Center	测序中心
4	NCBI_Build	参考基因组版本
5	Chromosome	染色体
6	Start_Position	起始位置
7	End_Position	终止位置
8	Strand	正负链
9	Variant_Classification	变异分类
10	Variant_Type	变变类型
11	Reference_Allele	参考等位基因
12	Tumor_Seq_Allele1	肿瘤等位基因1
13	Tumor_Seq_Allele2	肿瘤等位基因2
14	Tumor_Sample_Barcode	肿瘤样本ID
15	Matched_Norm_Sample_Barcode	正常样本ID

Variant_Classification 分类

分类	含义
Missense_Mutation	错义突变
Nonsense_Mutation	无义突变
Frame_Shift_Del	移码缺失
Frame_Shift_Ins	移码插入
In_Frame_Del	框内缺失
In_Frame_Ins	框内插入
Splice_Site	剪接位点突变
Silent	沉默突变
Translation_Start_Site	翻译起始位点突变

Variant_Type 类型

类型	含义
SNP	单核苷酸多态性
INS	插入
DEL	缺失
DNP	双核苷酸多态性
TNP	三核苷酸多态性

3.3 VCF 与 MAF 转换

使用 vcf2maf 工具

vcf2maf 是将 VCF 转换为 MAF 的常用工具。

安装方法：

# 下载 vcf2maf
git clone https://github.com/mskcc/vcf2maf

# 需要安装 vep (Variant Effect Predictor)
# 参考：https://useast.ensembl.org/info/docs/tools/vep/index.html

使用示例：

perl vcf2maf.pl --input-vcf input.vcf --output-maf output.maf

使用 maftools 直接处理

maftools 可以直接处理某些格式的数据：

library(maftools)

# 从 VCF 创建 MAF（需要先转换）
# 或使用其他格式直接读取

3.4 数据质量检查

VCF 文件质量检查

library(VariantAnnotation)

# 读取 VCF
vcf <- readVcf("sample.vcf.gz")

# 检查质量得分分布
qual <- info(vcf)$QUAL
summary(qual)

# 过滤低质量变异
filtered <- vcf[qual > 30]

MAF 文件质量检查

library(maftools)

# 读取 MAF
maf <- read.maf("sample.maf")

# 查看变异统计
getSampleSummary(maf)

# 查看基因突变统计
getGeneSummary(maf)

# 查看变异类型分布
plotmafSummary(maf)

3.5 数据获取途径

公共数据库

数据库	网址	数据类型
TCGA (GDC)	https://portal.gdc.cancer.gov/	肿瘤突变数据
COSMIC	https://cancer.sanger.ac.uk/cosmic	肿瘤体细胞突变
dbSNP	https://www.ncbi.nlm.nih.gov/snp/	SNP 数据
ClinVar	https://www.ncbi.nlm.nih.gov/clinvar/	临床相关变异

数据下载示例

# TCGA 数据可通过 TCGAbiolinks 包下载
if (!require("TCGAbiolinks"))
    BiocManager::install("TCGAbiolinks")

library(TCGAbiolinks)

# 查询 TCGA-LAML 突变数据
query <- GDCquery(
    project = "TCGA-LAML",
    data.category = "Simple Somatic Mutation",
    data.type = "Aggregate"
)

# 下载数据
GDCdownload(query)
maf_data <- GDCprepare(query)

3.6 数据预处理流程

library(maftools)

# 1. 读取原始 MAF 文件
maf_raw <- read.maf("raw.maf")

# 2. 查看数据概览
summary(maf_raw)

# 3. 过滤低质量变异（可选）
# 根据质量得分或置信度过滤

# 4. 合并临床数据
clin_data <- read.table("clinical.tsv", header = TRUE)
maf <- read.maf(maf = "raw.maf", clinicalData = clin_data)

# 5. 数据子集筛选
# 选择特定样本
maf_subset <- subsetMaf(maf, tsb = c("Sample1", "Sample2"))

# 选择特定基因
maf_gene <- subsetMaf(maf, genes = c("TP53", "BRCA1"))

本讲小结

本讲座详细介绍了突变数据的常用格式：

VCF 格式的结构和主要字段
MAF 格式的结构和必需字段
VCF 与 MAF 格式的区别和转换方法
数据质量检查的方法
公共数据库的数据获取途径
数据预处理的基本流程

课后思考题：

在实际研究中如何选择使用 VCF 还是 MAF 格式？
数据质量检查应该关注哪些指标？
如何从 TCGA 数据库获取自己感兴趣肿瘤类型的突变数据？

--- title: "讲座3：突变数据格式详解" author: "王诗翔" date: "2026-04-23" format: html: toc: true toc-depth: 3 --- ## 3.1 VCF 格式详解 VCF（Variant Call Format）是存储基因组变异数据的标准格式。 ### VCF 文件结构 VCF 文件由三部分组成： **1. 元数据部分（以 `##` 开头）**： ``` ##fileformat=VCFv4.3 ##fileDate=20250101 ##source=MyCaller ##reference=GRCh38 ##INFO=<ID=DP,Number=1,Type=Integer,Description="Total Depth"> ##FORMAT=<ID=GT,Number=1,Type=String,Description="Genotype"> ``` **2. 列标题部分（以 `#` 开头）**： ``` #CHROM POS ID REF ALT QUAL FILTER INFO FORMAT Sample1 ``` **3. 数据行部分**： ``` chr1 100 rs123 A G 100 PASS DP=50;NS=2 GT:DP 0/1:50 ``` ### VCF 主要字段详解 | 字段 | 类型 | 描述 | |------|------|------| | CHROM | String | 染色体名称 | | POS | Integer | 变异位点位置（1-based） | | ID | String | 变异位点标识（如 rs 号） | | REF | String | 参考序列碱基 | | ALT | String | 变异序列碱基 | | QUAL | Float | 质量得分（Phred尺度） | | FILTER | String | 过滤状态 | | INFO | String | 附加信息（键值对） | | FORMAT | String | 样本数据格式描述 | | Sample列 | String | 样本具体数据 | ### INFO 字段常用标签 | 标签 | 描述 | |------|------| | DP | 总深度 | | NS | 样本数 | | AC | 变异等位基因计数 | | AF | 变异等位基因频率 | | DB | dbSNP 数据库中存在 | | H2 | HapMap2 数据库中存在 | ### VCF 文件读取示例 ```r library(VariantAnnotation) # 读取 VCF 文件 vcf <- readVcf("sample.vcf.gz", "hg19") # 提取基本信息 head(rowRanges(vcf)) # 提取 INFO 字段 info(vcf) # 提取样本基因型 geno(vcf)$GT ``` ## 3.2 MAF 格式详解 MAF（Mutation Annotation Format）是 TCGA 项目定义的突变注释格式。 ### MAF 文件特点 - 纯文本格式，Tab 分隔 - 包含所有样本的 SNV 和注释信息 - 一行一个突变记录 - 适合下游统计分析 ### MAF 文件结构 ``` #version 2.4 Hugo_Symbol Entrez_Gene_Id Chromosome Start_Position End_Position Variant_Classification ... TP53 7157 chr17 7579472 7579472 Missense_Mutation ... BRCA1 672 chr17 41276132 41276132 Nonsense_Mutation ... ``` ### MAF 必需字段（32列） | 序号 | 字段名 | 描述 | |------|--------|------| | 1 | Hugo_Symbol | HUGO 基因名 | | 2 | Entrez_Gene_Id | Entrez 基因ID | | 3 | Center | 测序中心 | | 4 | NCBI_Build | 参考基因组版本 | | 5 | Chromosome | 染色体 | | 6 | Start_Position | 起始位置 | | 7 | End_Position | 终止位置 | | 8 | Strand | 正负链 | | 9 | Variant_Classification | 变异分类 | | 10 | Variant_Type | 变变类型 | | 11 | Reference_Allele | 参考等位基因 | | 12 | Tumor_Seq_Allele1 | 肿瘤等位基因1 | | 13 | Tumor_Seq_Allele2 | 肿瘤等位基因2 | | 14 | Tumor_Sample_Barcode | 肿瘤样本ID | | 15 | Matched_Norm_Sample_Barcode | 正常样本ID | ### Variant_Classification 分类 | 分类 | 含义 | |------|------| | Missense_Mutation | 错义突变 | | Nonsense_Mutation | 无义突变 | | Frame_Shift_Del | 移码缺失 | | Frame_Shift_Ins | 移码插入 | | In_Frame_Del | 框内缺失 | | In_Frame_Ins | 框内插入 | | Splice_Site | 剪接位点突变 | | Silent | 沉默突变 | | Translation_Start_Site | 翻译起始位点突变 | ### Variant_Type 类型 | 类型 | 含义 | |------|------| | SNP | 单核苷酸多态性 | | INS | 插入 | | DEL | 缺失 | | DNP | 双核苷酸多态性 | | TNP | 三核苷酸多态性 | ## 3.3 VCF 与 MAF 转换 ### 使用 vcf2maf 工具 vcf2maf 是将 VCF 转换为 MAF 的常用工具。 **安装方法**： ```bash # 下载 vcf2maf git clone https://github.com/mskcc/vcf2maf # 需要安装 vep (Variant Effect Predictor) # 参考：https://useast.ensembl.org/info/docs/tools/vep/index.html ``` **使用示例**： ```bash perl vcf2maf.pl --input-vcf input.vcf --output-maf output.maf ``` ### 使用 maftools 直接处理 maftools 可以直接处理某些格式的数据： ```r library(maftools) # 从 VCF 创建 MAF（需要先转换） # 或使用其他格式直接读取 ``` ## 3.4 数据质量检查 ### VCF 文件质量检查 ```r library(VariantAnnotation) # 读取 VCF vcf <- readVcf("sample.vcf.gz") # 检查质量得分分布 qual <- info(vcf)$QUAL summary(qual) # 过滤低质量变异 filtered <- vcf[qual > 30] ``` ### MAF 文件质量检查 ```r library(maftools) # 读取 MAF maf <- read.maf("sample.maf") # 查看变异统计 getSampleSummary(maf) # 查看基因突变统计 getGeneSummary(maf) # 查看变异类型分布 plotmafSummary(maf) ``` ## 3.5 数据获取途径 ### 公共数据库 | 数据库 | 网址 | 数据类型 | |--------|------|----------| | TCGA (GDC) | https://portal.gdc.cancer.gov/ | 肿瘤突变数据 | | COSMIC | https://cancer.sanger.ac.uk/cosmic | 肿瘤体细胞突变 | | dbSNP | https://www.ncbi.nlm.nih.gov/snp/ | SNP 数据 | | ClinVar | https://www.ncbi.nlm.nih.gov/clinvar/ | 临床相关变异 | ### 数据下载示例 ```r # TCGA 数据可通过 TCGAbiolinks 包下载 if (!require("TCGAbiolinks")) BiocManager::install("TCGAbiolinks") library(TCGAbiolinks) # 查询 TCGA-LAML 突变数据 query <- GDCquery( project = "TCGA-LAML", data.category = "Simple Somatic Mutation", data.type = "Aggregate" ) # 下载数据 GDCdownload(query) maf_data <- GDCprepare(query) ``` ## 3.6 数据预处理流程 ```r library(maftools) # 1. 读取原始 MAF 文件 maf_raw <- read.maf("raw.maf") # 2. 查看数据概览 summary(maf_raw) # 3. 过滤低质量变异（可选） # 根据质量得分或置信度过滤 # 4. 合并临床数据 clin_data <- read.table("clinical.tsv", header = TRUE) maf <- read.maf(maf = "raw.maf", clinicalData = clin_data) # 5. 数据子集筛选 # 选择特定样本 maf_subset <- subsetMaf(maf, tsb = c("Sample1", "Sample2")) # 选择特定基因 maf_gene <- subsetMaf(maf, genes = c("TP53", "BRCA1")) ``` ## 本讲小结本讲座详细介绍了突变数据的常用格式： 1. VCF 格式的结构和主要字段 2. MAF 格式的结构和必需字段 3. VCF 与 MAF 格式的区别和转换方法 4. 数据质量检查的方法 5. 公共数据库的数据获取途径 6. 数据预处理的基本流程 **课后思考题**： - 在实际研究中如何选择使用 VCF 还是 MAF 格式？ - 数据质量检查应该关注哪些指标？ - 如何从 TCGA 数据库获取自己感兴趣肿瘤类型的突变数据？