Variant Call Format

Un article de Wikipédia, l'encyclopédie libre.

 

Modèle:Variant Call Format[Quoi ?]

BCF v VCF
Démontrer la différence entre les formats binaires BCF et VCF.

Le Variant Call Format ( VCF ) spécifie le format d'un fichier texte utilisé en bioinformatique pour stocker les variations de séquences génétiques. Le format a été développé avec l'avènement des projets de génotypage et de séquençage de l'ADN à grande échelle, tels que le projet 1000 génomes . Les formats existants pour les données génétiques, tels que le format général des caractéristiques (GFF), stockaient toutes les données génétiques, dont la plupart sont redondantes car elles seront partagées entre les génomes. En utilisant le format d'appel de variante, seules les variantes doivent être stockées avec un génome de référence.

La norme est actuellement en version 4.3[1],[2], bien que le 1000 Genomes Project ait développé sa propre spécification pour les variations structurelles telles que les duplications, qui ne s'intègrent pas facilement dans le schéma existant[3]. Il existe également un format étendu Genomic VCF ( gVCF ), qui comprend des informations supplémentaires sur les « blocs » qui correspondent à la référence et à leurs qualités. [4] Un ensemble d'outils est également disponible pour l'édition et la manipulation des fichiers. [5],[6]

Exemple[modifier | modifier le code]

##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>
##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=A,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=GT,Number=1,Type=String,Description="Genotype">
##FORMAT=<ID=GQ,Number=1,Type=Integer,Description="Genotype Quality">
##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       NA00001         NA00002          NA00003
20     14370    rs6054257  G     A      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    .          T     A      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  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
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

L'en-tête VCF[modifier | modifier le code]

L'en-tête commence le fichier et fournit des métadonnées décrivant le corps du fichier. Les lignes d'en-tête sont indiquées comme commençant par# . Les mots-clés spéciaux dans l'en-tête sont indiqués par ## . Les mots clés recommandés incluent fileformat, fileDate et reference.

L'en-tête contient des mots-clés qui décrivent éventuellement sémantiquement et syntaxiquement les champs utilisés

Les colonnes d'un VCF[modifier | modifier le code]

Le corps du VCF suit l'en-tête, et est séparé par une tabulation en 8 colonnes obligatoires et un nombre illimité de colonnes optionnelles qui peuvent être utilisées pour enregistrer d'autres informations sur le(s) échantillon(s). Lorsque des colonnes supplémentaires sont utilisées, la première colonne facultative est utilisée pour décrire le format des données dans les colonnes suivantes.

Nom Brève description (voir les spécifications pour plus de détails).
1 CHROME Le nom de la séquence (généralement un chromosome) sur laquelle la variation est appelée. Cette séquence est généralement connue sous le nom de « séquence de référence », c'est-à-dire la séquence par rapport à laquelle l'échantillon donné varie.
2 POS La position de base 1 de la variation sur la séquence donnée.
3 ID (identifiant) L'identifiant de la variation, par exemple un identifiant dbSNP rs, ou si inconnu un "." . Les identifiants multiples doivent être séparés par des points-virgules sans espace.
4 REF La base de référence (ou les bases dans le cas d'un indel) à la position donnée sur la séquence de référence donnée.
5 ALT La liste des allèles alternatifs à cette position.
6 QUAL Un score de qualité associé à l'inférence des allèles donnés.
7 FILTER Un indicateur indiquant lequel d'un ensemble donné de filtres la variation a échoué ou PASS si tous les filtres ont été passés avec succès.
8 INFO Une liste extensible de paires clé-valeur (champs) décrivant la variation. Voir ci-dessous pour quelques champs communs. Plusieurs champs sont séparés par des points-virgules avec des valeurs facultatives au format : < key > = < data > [,data] .
9 FORMAT Une liste extensible (facultative) de champs pour décrire les échantillons. Voir ci-dessous pour quelques champs communs.
+ SAMPLES Pour chaque échantillon (facultatif) décrit dans le fichier, des valeurs sont données pour les champs répertoriés dans FORMAT

Champs d'INFO communs[modifier | modifier le code]

Les clés arbitraires sont autorisées, bien que les sous-champs suivants soient réservés (mais facultatifs)[1] :

Nom Brève description
AA Allèle ancestral
AC Nombre d'allèles dans les génotypes, pour chaque allèle ALT, dans le même ordre que celui indiqué
AF Fréquence des allèles pour chaque allèle ALT dans le même ordre que celui indiqué (utilisez-la lorsqu'elle est estimée à partir de données primaires, non appelées génotypes)
AN Nombre total d'allèles dans les génotypes appelés
BQ Qualité de base RMS à ce poste
CIGAR Chaîne de cigare décrivant comment aligner un allèle alternatif sur l'allèle de référence
DB Adhésion à dbSNP
DP Profondeur combinée à travers les échantillons, par exemple DP=154
END Position finale du variant décrit dans cet enregistrement (à utiliser avec les allèles symboliques)
H2 Adhésion à hapmap2
H3 Adhésion à hapmap3
MQ Qualité de cartographie RMS, par ex. QM=52
MQ0 Nombre de MAPQ == 0 lectures couvrant cet enregistrement
NS Nombre d'échantillons avec données
SB Biais de brin à cette position
SOMATIC Indique que l'enregistrement est une mutation somatique, pour la génomique du cancer
VALIDATED Validé par une expérience de suivi
1000G Adhésion à 1000 génomes

Tous les autres champs d'informations sont définis dans l'en-tête .vcf.

Champs FORMAT communs[modifier | modifier le code]

Nom Brève description
AD Lire la profondeur pour chaque allèle
ADF Lire la profondeur pour chaque allèle sur le brin avant
ADR Lire la profondeur pour chaque allèle sur le brin inverse
DP Profondeur de lecture
EC Comptes d'allèles alternatifs attendus
FT Filtre indiquant si ce génotype était « appelé »
GL Probabilités de génotype
GP Probabilités postérieures du génotype
GQ Qualité du génotype conditionnel
GT Génotype
HQ Qualité de l'haplotype
MQ Qualité de cartographie RMS
PL Probabilités de génotype à l'échelle de Phred arrondies à l'entier le plus proche
PQ Qualité de phasage
PS Ensemble de phases

Tous les autres champs de format sont définis dans l'en-tête .vcf.

Voir aussi[modifier | modifier le code]

  • Le format FASTA, utilisé pour représenter les séquences du génome.
  • Le format FASTQ, utilisé pour représenter les lectures du séquenceur d'ADN ainsi que les scores de qualité.
  • Le format SAM, utilisé pour représenter les lectures du séquenceur du génome qui ont été alignées sur les séquences du génome.
  • Le format GVF (Genome Variation Format) est une extension basée sur le format GFF3.

La spécification VCF n'est plus maintenue par le 1000 Genomes Project. Le groupe qui dirige la gestion et l'expansion du format est l'équipe de format de fichier du flux de travail à grande échelle de l'Alliance mondiale pour la génomique et la santé (GA4GH) [7] http://ga4gh.org/#/fileformats-team.

Notes et références[modifier | modifier le code]

  1. a et b « VCF Specification » (consulté le )
  2. « Specifications of SAM/BAM and related high-throughput sequencing file formats » (consulté le )
  3. « Encoding Structural Variants in VCF (Variant Call Format) version 4.0 | 1000 Genomes » (consulté le )
  4. « GVCF - Genomic Variant Call Format », GATK, Broad Institute
  5. « VCFtools from Github.io » (consulté le )
  6. « BCFtools »
  7. (en-US) « Bio-IT World », www.bio-itworld.com (consulté le )
  1. https://samtools.github.io/hts-specs/VCFv4.3.pdf
  2. https://github.com/samtools/hts-specs
  3. https://www.internationalgenome.org/wiki/Analysis/Variant%20Call%20Format/VCF%20(Variant%20Call%20Format)%20version%204.0/encoding-structural-variants
  4. https://gatk.broadinstitute.org/hc/en-us/articles/360035531812-GVCF-Genomic-Variant-Call-Format
  5. https://vcftools.github.io/index.html
  6. https://samtools.github.io/bcftools/bcftools.html

Liens externes[modifier | modifier le code]