bcftools csq分析基因突变对蛋白水平的影响

csq命令可以分析SNP位点在基因组上的位置，同时还会预测基因突变对编码蛋白的影响。

和其他预测基因突变对蛋白质影响的软件不同，bcftools 将基因组划分为不同的独立区域（和单倍型区域概念类似)，在分析蛋白质变化时，会综合考虑该区域内的所有突变位点，示意图如下

在A图中，该区域包含两个SNP位点，如果单独考虑每个位点，只能预测到氨基酸替换，由精氨酸替换为色氨酸或者谷氨酰胺， 综合考虑两个SNP位点时，对应的DNA序列变成了一个终止密码子，蛋白质长度都发生了变化。

在B图中，该区域包含了2个indel 位点，单独考虑每个indel位点时，都是发生了移码突变，氨基酸长度发生了变化，综合考虑两个SNP位点时，氨基酸变化和单独分析一个位点时，又大不一样。

在C图中，两个SNP位点发生在剪切位点两侧，单独考虑每个SNP位点，氨基酸由天冬氨酸替换为天冬酰胺或者谷氨酸，综合考虑两个突变位点时，氨基酸由天冬酰胺替换成赖氨酸。

从示意图可以发现，单独考虑每个SNP位点对于蛋白质的影响，其结果是有偏差的，只有综合考虑邻近范围内所有的突变位点，预测到的蛋白质变化结果才更加可靠。

csq 运行命令如下

bcftools csq -f csq.fa -g csq.gff3 csq.vcf > csq.out

-f参数指定参考基因组的fasta文件，-g参数指定参考基因组的gff3文件，csq.vcf为输入的VCF文件，csq.out为输出文件。

输出文件的格式也是VCF格式，会在INFO列中新增一个BCSQ字段，用来描述突变位点在基因组上的位置和蛋白质序列的变化,示例如下

BCSQ=synonymous|XYZ|ENST00000000001|protein_coding|+|1Y|102C>T

BCSQ的信息由多个字段构成，中间用|连接，包含以下字段

1. consequence type 基因突变对蛋白影响的类型，包括synonymous, missense, inframe_deletion等类型
2. gene 基因名称
3. transcript 转录本名称
4. biotype 基因类型
5. strand 正负链信息
6. amino acid positon 氨基酸的位置
7. variants list 预测氨基酸变化时，考虑的突变位点的集合

由于bcftools是综合考虑多个突变位点对蛋白质的共同作用，在实际分析时，应该尽可能的过滤掉假阳性的突变位点，然后再分析蛋白水平的影响，这样的分析结果，可信度会更高。