vcf文件中的PL值

PL是HaplotypeCaller等GATK变异检测软件在sample层面给出的注释，一般记录在VCF文件的FORMAT/sample一栏中。它代表了根据某位点变异情况给出的基因型判定不正确的可能性。

PL值的计算方法
公式如下：

PL = -10\times{logP(Genotype|Data)}

Data指reads某位点的观测变异数据集；
Genotype指特定基因型，设为GT；
P(Genotype|Data)指基于观测的变异数据集的基因型GT的条件概率；
将P(Genotype|Data)取log值并乘以-10后将其转换为Phred-scale格式即为PL，然后将所有基因型的PL进行归一化，使得最有可能的基因型PL为0

计算实例
假如某位点的参考等位基因是A，现在观察到一个read在该位点为T，并且我们现在有HaplotypeCaller根据这个read计算出来的各基因型的条件概率P(Genotype|Data)（当然如果有多个read，它们的贡献将会相加）:

Alleles
Reference: A
Read: T

Conditional probabilities calculated by HaplotypeCaller
P(AA | Data) = 0.000001
P(AT | Data) = 0.000100
P(TT | Data) = 0.010000

计算初始PL值
我们要分别计算基因型为0/0, 0/1 和 1/1时的初始PL值，根据前述的公式，结果如下：

Genotype	A/A	A/T	T/T
Raw PL	$-10\times{log(0.000001)} = 60$	$-10\times{log(0.000100)} = 40$	$-10\times{log(0.010000)} = 20$

可以发现P(Genotype|Data)最低的基因型在转换为PL后变为最大值。这是在我们的意料之中的，因为PL指的就是这个基因型是不正确的概率。一个基因型的Raw PL值越小，代表越有可能是真实的基因型。
2. 标准化
在将PL值写入VCF之前，还要对Raw PL进行一个小小的计算：对所有的PL值进行标准化，使得最小的PL值为零。很简单，取所有基因型的PL值和最小PL值之间的差值即可。

Genotype	A/A	A/T	T/T
Normalized PL	$60 - 20 = 40$	$40 - 20 = 20$	$20 - 20 = 0$

我们从中可以发现，最终的PL值和原始的P(Genotype|Data)之间的关系：我们取的原始P(Genotype|Data)之间依次相差100倍，最终的PL之间最终相差20，也就是100取Phred-scale后的值。这样我们扫一眼VCF里面PL值的大小，就可以方便的比较各个基因型之间可能性的差异了。

PL和GQ之间的联系和区别
GQ的值其实就是PL次小值和最小值之间的差异，由于PL的最小值总是0，所以GQ就是PL的次小值。在上面的例子中，GQ = 20 - 0 = 20。需要注意的是，为了节省计算空间，在GATK中，GQ值最大为99，就算实际计算出的GQ大于99，VCF中也只会记录为99哦。

对基因型质量的判定
对于HaplotypeCaller给定的PL值（三个数值分别对应0/0，0/1，1/1），比如

1. GT:PL = 0/1:309,0,233，那么该位点对应的GQ值为233，
一般GQ>20，即calling到的变异即alt等位基因的错误率小于0.01，
则认为该位点基因型是准确的。GQ=233 > 20，该位点基因型为0/1，杂合子类型，准确率高；
2. GT:PL = 0/0:0,30,261，那么该位点对应的GQ值为30 > 20，该位点基因型为0/0，准确率高；
3. GT:PL = 1/1:267,24,0，那么该位点对应的GQ值为24 >20，该位点基因型为1/1，准确率高；
4. GT:PL = 0/0:0,18,270，那么该位点对应的GQ值为18 < 20，
则认为该位点变异calling质量值不准确，即使概率最高的基因型是ref纯合基因型0/0，
这样的基因型也是不准确的；
5. GT:PL = 1/1:64,6,0，那么该位点对应的GQ值为6 < 20，
则认为该位点变异calling质量值不准确，即使概率最高的基因型是alt纯合基因型1/1，
这样的基因型也是不准确的。

References:

https://www.jianshu.com/p/d6964cdcf4c6
https://software.broadinstitute.org/gatk/documentation/article?id=5913
https://gatk.broadinstitute.org/hc/en-us/articles/360035890531?id=4441

基因型质量

vcf文件中的PL值

感谢您的支持，我会继续努力的!