这是标准的 Minimac4 imputation 输出 VCF 文件。

对于这个文件：

551S-autosomes.imputed.dose.vcf.gz

可以理解为：

• 每一行（Variant Record） = 一个 SNP 位点
• 每一列（Sample Column） = 一个样本在该 SNP 的基因型信息

1. VCF整体结构

VCF分为两部分：

Header

以 ## 开头：

##fileformat=VCFv4.2
##source=Minimac v4.1.6
...

描述文件信息。

表头

以 #CHROM 开头：

#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT SYSCZ034 SYSCZ037 ...

这一行定义后面每列含义。

2. 一条记录代表什么

例如：

1 55057 1:55057:A:G A G . . IMPUTED;AF=0.00310291;MAF=0.00310291;AVG_CS=0.999583;R2=0.874246 GT:GP:DS 0|0:1,0,0:0 0|0:1,0,0:0

表示：

chr1 的 55057 位置有一个 A→G SNP

3. 前9列解释

VCF固定前9列：

CHROM

1

表示：

chr1

POS

55057

染色体位置。

ID

1:55057:A:G

位点名称：

chr1:55057 A→G

REF

A

参考基因组上的碱基。

ALT

G

变异碱基。

4. INFO字段

你的例子：

IMPUTED;
AF=0.00310291;
MAF=0.00310291;
AVG_CS=0.999583;
R2=0.874246

IMPUTED

说明：

该位点是填充出来的

不是芯片直接测到的。

AF

AF=0.00310291

Alternate Allele Frequency

ALT等位基因频率：

G频率=0.31%

MAF

MAF=0.00310291

Minor Allele Frequency

最小等位基因频率。

AVG_CS

AVG_CS=0.999583

Average Call Score

填充置信度。

越接近1越好。

R2

R2=0.874246

Imputation Quality

这是GWAS最常用指标。

通常：

因此：

R2=0.874

质量很好。

5. FORMAT字段

GT:GP:DS

表示每个样本列由三部分组成：

GT
GP
DS

6. GT字段

例如：

0|0

表示基因型。

编码：

| GT | 含义 |
| -- | --- |
| 0 | REF |
| 1 | ALT |

因此：

0|0

表示：

A/A

如果：

0|1

表示：

A/G

如果：

1|1

表示：

G/G

7. 为什么有竖线 |

例如：

0|1

不是：

0/1

因为经过了 Phasing。

表示：

父源 = REF
母源 = ALT

已经知道单倍型结构。

8. GP字段

例如：

1,0,0

对应：

P(0/0)
P(0/1)
P(1/1)

即：

100%
0%
0%

例如：

0.1,0.8,0.1

表示：

9. DS字段（最重要）

Dosage。

定义：

DS = P(0/1) + 2 × P(1/1)

范围：

0 ~ 2

例1：

1,0,0

即：

DS = 0

例2：

0,1,0

即：

DS = 1

例3：

0,0,1

即：

DS = 2

例4（填充最常见）

0.05,0.80,0.15

则：

DS
=
0.80 + 2×0.15
=
1.10

10. 样本列

例如：

SYSCZ034
0|0:1,0,0:0

拆开：

GT = 0|0
GP = 1,0,0
DS = 0

表示：

A/A

且置信度100%。

11. 这一行完整解释

1 55057 1:55057:A:G

表示：

chr1:55057

A → G

位点统计：

AF=0.0031
R2=0.874

说明：

• ALT频率0.31%
• 填充质量很好

样本：

SYSCZ034
0|0:1,0,0:0

表示：

A/A

样本：

SYSCZ037
0|0:1,0,0:0

表示：

A/A

12. 你的文件共有多少 SNP 和样本

直接统计：

# 样本数
bcftools query -l 551S-autosomes.imputed.dose.vcf.gz | wc -l

# SNP数
bcftools view -H -v snps 551S-autosomes.imputed.dose.vcf.gz | wc -l

# 所有变异
bcftools view -H 551S-autosomes.imputed.dose.vcf.gz | wc -l

13. GWAS实际使用哪个字段

大多数 GWAS 软件：

• PLINK2
• REGENIE
• BOLT-LMM
• SAIGE

对于 imputation 数据通常使用：

DS (dosage)

而不是：

GT

因为 DS 保留了填充不确定性。

例如：

GT=0|1
DS=0.82

比强行转换成

GT=0|1

包含更多信息。

所以你的 .dose.vcf.gz 本质上就是：

551个样本 × 数百万个 SNP 的剂量矩阵（Dosage Matrix），每行一个 SNP，每列一个样本，DS 字段是后续 GWAS 最重要的数据。