如何在VCF文件中筛选保留相同ID条目里等位基因频率(AF)最高的记录

可以用bcftools结合plink高效完成需求，步骤如下：

1. 按ID去重，保留AF最高的记录 #

先对VCF按ID分组、组内按AF降序排序，确保每个ID的最高AF记录排在组首；再通过去重保留每个ID的第一条记录：

# 1. 按ID升序、AF降序排序，生成排序后的压缩VCF
bcftools sort -k ID,AF,desc gnomad.genomes.v3.1.2.hgdp_tgp.chr6.vcf.bgz -Oz -o sorted.vcf.gz

# 2. 仅保留每个ID对应的第一条记录（即AF最高的条目）
bcftools view --unique ID sorted.vcf.gz -Oz -o filtered.vcf.gz

命令说明： #

• bcftools sort -k ID,AF,desc：先按ID分组，同一ID内按AF从高到低排序，确保高AF记录优先
• --unique ID：自动过滤重复ID的后续条目，只保留组内第一条记录

2. 转换为PLINK bed格式 #

用plink将过滤后的VCF转成标准bed/bim/fam文件：

plink --vcf filtered.vcf.gz --make-bed --out output_plink

注意事项： #

• 确保VCF的INFO字段中AF为单个数值（你的示例已满足，因为是拆分后的双等位基因记录）
• bcftools支持流式处理大文件，无需全量加载内存，适合处理大型VCF数据集

内容的提问来源于stack exchange，提问作者pooch