背 景
在基因組分析領域的
很多
不同場景中，需要合併VCF檔案。
VCF檔案
。簡單來說，就是記錄樣本基因型的檔案。但多數VCF檔案不只記錄了基因型，也包含有關該基因型的來源的細節。
其它檔案
。VCF檔案的上游是
BAM檔案
，主要記錄Reads與參考基因組的比對資訊；更上游的，就是
FASTQ測序資料
，以及物種的
參考基因組
。
不同型別的VCF檔案
。VCF檔案有單樣本的、多樣本的；也有普通VCF檔案 （只記錄變異，未測到的、野生型的都不記錄），及GVCF檔案 （野生型的、變異的都記錄，未測到的不記錄）。
一個典型的GVCF檔案
因此，本篇文章的使用者，需要首先了解GVCF檔案與普通VCF檔案的不同。因為二者對應的生信處理方法也非常不同。但具體有哪些不同，這裡不再繼續講，可自行在網路資源上按照相應的關鍵詞檢索。
合併VCF檔案需要注意的問題
。VCF檔案有時是多個
樣本
、多個
個體
、或多個
病例
的合併；有時是
不同染色體區域的VCF合併
。上述每個場景都涉及不同的軟體、程式，甚至演算法，需要非常小心、謹慎地操作。
合併：不同樣本的GVCF檔案
GATK的
CombineGVCFs
+
GenotypeGVCFs
上面2個程式是一套組合，不可拆分，不可單獨使用。
那為什麼GATK開發者將二者分開呢，推測有兩個原因：① 二者分別有些特定的引數；② 第1個程式非常耗時，第2個程式相對較快、但演算法複雜。這個問題對使用者也無關緊要。
# 合併佇列中每個樣本的每一個變異 （GVCF檔案）gatk CombineGVCFs \ -R $ref \ $（for i in `tail -n +2 metadata。txt | cut -f 1 `； do echo “——variant ${i}。hg38。raw。g。vcf ” ；done） \ -O cohort。g。vcf。gz# 獲取具體基因型，完成變異Callinggatk GenotypeGVCFs \ -R $ref \ ——dbsnp ${dbSNP} \ ——variant cohort。g。vcf。gz \ -O Genotype。cohort。dbSNP。g。vcf
當樣本很多、資料量也大時，CombineGVCF程式很消耗記憶體，並且一旦中斷（檔案不全）就得重新來。其“-L”引數 （如“-L chr1：1-10000”） 也不推薦使用 （否則GenotypeGVCFs步驟可能報錯），但“-L chr1”沒問題。
解決方法：①
限制記憶體：
用“——java-option Xmx20g”等；② 分染色體，用“-L chrX”等。③ 組合使用①和②。
需要了解的是，
GenomicsDB
可以替代：
CombineGVCFs + GenotypeGVCFs，
將多個樣本GVCF處理生成一起的工作空間。兩種方案各有各的優缺點。
根據GATK官網的描述，GenomicsDB更適用於幾百個樣本以上的情形。
合併：不同染色體區域的VCF檔案
cat chr。list。25 # chr1# chr2# chr3# 。。。# chr22# chrX# chrY# chrMgatk MergeVcfs \ $（for i in `cat chr。list。25 | cut -f 1 `； do echo “-I Genotype。cohort。${i}。dbSNP。g。vcf ” ；done） \ -O Genotype。cohort。dbSNP。g。vcf
MergeVcfs與CombineGVCFs不同
。前者用於單純地合併：樣本相同、位點獨立的VCF檔案。如：同一個（或一組）樣本的不同染色體的結果。
不像CombineGVCFs，MergeVcfs不做“gVCF block”的計算。此外MergeVcfs會檢測兩個VCF檔案裡的樣本名是否相互“match”。
如果只檢視
MergeVcfs程式的介紹，根本看不出來它的用法的特點 （例如：對GVCF檔案的合併可能無效），那麼必然容易踩坑：
MergeVcfs （Picard） - Combines multiple variant files into a single variant file。
事實上，
MergeVcfs及其等價的程式 （
GatherVcfs
）
不可用於合併不同樣本的GVCF檔案
。但用來合併不同基因組區域的檔案非常方便。
此場景除了MergeVcfs、GatherVcfs外的其它程式
：
vcf-concat sample1。chr1。vcf sample。chr2。vcf 。。。 > sample1。chrAll。vcfbcftools concat sample1。chr1。vcf sample。chr2。vcf 。。。 -o sample1。chrAll。vcf
其中，透過conda安裝的vcftools，可能不帶vcf-concat等程式。從這一點看，
bcftools更方便
。
1個經驗是：既然有GATK的MergeVcfs可用，那就儘量不用vcftools或bcftools，否則可能踩到
另一個坑
：
不同程式對VCF檔案的
索引格式
的要求不同、VCF的
"FORMAT"列
等也可能改變。
合併：不同樣本的普通VCF檔案
普通VCF檔案
只記錄變異
，即：① 無
0/0
基因型 （測序測到了、但未變異，即“Wild type”） ；② 無“
./
。”基因型 （即“缺失”，測序未測到，即“No call”） 。
對不同樣本的⽂件合併，共有位點會
合併
、
統計
；非共有位點若在某1個樣本中無變異，則會⾃動記為
缺失
（“
./.
”） 。
1個典型的普通VCF檔案 （只查看了第9、10列）
vcftools和bcftools在使用之前一般都需要對VCF檔案：壓縮、索引 （略）。
vcf-merge # 略 （對於連軟體安裝都麻煩的程式）bcftools sample1。vcf sample2。vcf 。。。 -o sample。all。vcf
vcf-merge重新計算了AC、AN等指標的值
合併分型質量 （“QUAL”列） 時，vcf
-merge取了
平均取值，bcftools取了最⼤值， （下圖的）gatk
CombineVariants （不是CombineGVCFs，也不是MergeVcfs/GatherVcfs）
取了最⼩值 （gatk4）
圖片來源：https：//wenku。baidu。com/view/a0ecad5602f69e3143323968011ca300a7c3f643。html
gatk CombineVariants （GATK4已無此程式）
# 壓縮、索引單個VCF檔案ls sorted。*。vcf | while read id；do bcftools view $id -Oz -o $id。gz bcftools index $id。gzdone# 合併bcftools merge ——threads 8 -m id -O z sorted。*。vcf。gz \ -o bcftools。merged。103samps。vcf。gz # -m， ——merge （關於多等位基因）Allow multiallelic records for
bcftools merge雖然有“——gvcf”引數，但根據之前的測試，可能不適用於對gVCF檔案的合併。
總 結
總之，① 合併VCF檔案要區分其檔案型別，如：是否為gVCF檔案，是否為基因組的不同區域，其內部的樣本名稱等；② 考慮到整個流程的相容性和流暢性，
建議
當GATK有相應的工具時，優先使用之；③ 其它場景可依次考慮：bcftools、vcftools。
