如何用tidyr解析VCF文件中FORMAT与Sample字段的动态列？

核心思路 #

因为VCF每行的FORMAT字段内容不一致，无法直接统一拆分，所以先将FORMAT和对应Sample的冒号分隔内容拆分为键值对行，再转成宽格式列，完美适配不同行的FORMAT差异。

步骤与代码示例 #

1. 加载VCF数据

用data.table::fread快速加载，跳过注释行：

library(data.table)
library(tidyr)
library(dplyr)

# 加载VCF，跳过##开头的注释行，自动识别#CHROM为表头
vcf_dt <- fread("your_gatk.vcf", skip = "##")
# 修正首列列名（fread会把#CHROM读成X.CHROM）
colnames(vcf_dt)[1] <- "CHROM"

2. 单Sample解析

假设你的Sample列名为Sample1，替换为实际列名即可：

# 转成tibble方便tidyr操作
vcf_tbl <- as_tibble(vcf_dt)

# 解析FORMAT与Sample字段
vcf_parsed <- vcf_tbl %>%
  # 添加行号作为唯一标识，确保后续合并回原变异行
  mutate(row_id = row_number()) %>%
  # 按冒号拆分FORMAT和Sample列，生成一一对应的键值对行
  separate_rows(FORMAT, Sample1, sep = ":") %>%
  # 重命名列以便后续转宽格式
  rename(format_key = FORMAT, sample_val = Sample1) %>%
  # 将键值对转成宽格式，缺失字段自动填充NA
  pivot_wider(
    id_cols = c(row_id, CHROM, POS, ID, REF, ALT, QUAL, FILTER, INFO),
    names_from = format_key,
    values_from = sample_val
  ) %>%
  # 移除临时行号
  select(-row_id)

3. 多Sample解析

如果有多个Sample列（如Sample1、Sample2），先将Sample列转成长格式再处理：

vcf_parsed_multi <- vcf_tbl %>%
  mutate(row_id = row_number()) %>%
  # 将所有Sample列转成长格式，区分样本名与对应数据
  pivot_longer(
    cols = starts_with("Sample"), # 匹配所有Sample开头的列，可替换为具体列向量
    names_to = "sample_name",
    values_to = "sample_data"
  ) %>%
  # 拆分FORMAT与Sample数据为键值对
  separate_rows(FORMAT, sample_data, sep = ":") %>%
  rename(format_key = FORMAT, sample_val = sample_data) %>%
  # 转宽格式，列名格式为「样本名_字段名」（如Sample1_GT）
  pivot_wider(
    id_cols = c(row_id, CHROM, POS, ID, REF, ALT, QUAL, FILTER, INFO),
    names_from = c(sample_name, format_key),
    values_from = sample_val,
    names_sep = "_"
  ) %>%
  select(-row_id)

关键说明 #

• separate_rows是核心：它会同步拆分FORMAT和Sample列，保证每个字段与对应值一一对应，解决了不同行FORMAT字段不一致的问题。
• 效率优势：结合data.table的快速加载和tidyr的高效重塑，比vcfR的全量VCF解析快很多，只处理需要的字段。
• 后续扩展：如果Sample值包含逗号分隔的内容（如AD的参考/替代深度），可在解析完成后用separate_wider_delim进一步拆分，比如：

  vcf_parsed <- vcf_parsed %>%
    separate_wider_delim(AD, delim = ",", names = c("AD_REF", "AD_ALT"))
  

内容的提问来源于stack exchange，提问作者milcs40