생명정보학 분석에서 자주 만나는 파일 형식을 알아봅시다 (2)

안녕하세요, 한헌종입니다.
오늘은 저번 포스팅에 이어서 생명정보학 분야에서 자주 만나게 되는 파일 형식을 알아보려 합니다.
오늘은 VCF, BED, GTF, GFF를 알아봅시다.

VCF (Variant Call Format)

VCF 파일은 Variants 즉 변이 정보를 기록할 때 사용되는 형식입니다.
Genome 상에서 어느 위치에 원래는 어떤 서열인데 어떤 유전변이가 일어난건지, genotype은 무엇인지에 대한 정보를 가지고 있죠.
이 VCF 파일 형식은 1000 genome project와 같이 대규모 시퀀싱 프로젝트가 진행되면서 만들어졌다고 해요.
VCF 파일은 아래와 같이 생겼습니다. 크게 두 부분으로 나뉘어져 있죠. header 와 body 입니다.

##fileformat=VCFv4.3
##fileDate=20090805
##source=myImputationProgramV3.1
##reference=file:///seq/references/1000GenomesPilot-NCBI36.fasta
##contig=<ID=20,length=62435964,assembly=B36,md5=f126cdf8a6e0c7f379d618ff66beb2da,species="Homo sapiens",taxonomy=x>
##phasing=partial
##INFO=<ID=NS,Number=1,Type=Integer,Description="Number of Samples With Data">
##INFO=<ID=DP,Number=1,Type=Integer,Description="Total Depth">
##INFO=<ID=AF,Number=A,Type=Float,Description="Allele Frequency">
##INFO=<ID=AA,Number=1,Type=String,Description="Ancestral Allele">
##INFO=<ID=DB,Number=0,Type=Flag,Description="dbSNP membership, build 129">
##INFO=<ID=H2,Number=0,Type=Flag,Description="HapMap2 membership">
##FILTER=<ID=q10,Description="Quality below 10">
##FILTER=<ID=s50,Description="Less than 50% of samples have data">
##FORMAT=<ID=GT,Number=1,Type=String,Description="Genotype">
##FORMAT=<ID=GQ,Number=1,Type=Integer,Description="Genotype Quality">
##FORMAT=<ID=DP,Number=1,Type=Integer,Description="Read Depth">
##FORMAT=<ID=HQ,Number=2,Type=Integer,Description="Haplotype Quality">
#CHROM POS      ID         REF   ALT    QUAL  FILTER   INFO                             FORMAT       NA00001         NA00002          NA00003
20     14370    rs6054257  G     A      29    PASS    NS=3;DP=14;AF=0.5;DB;H2           GT:GQ:DP:HQ  0|0:48:1:51,51  1|0:48:8:51,51   1/1:43:5:.,.
20     17330    .          T     A      3     q10     NS=3;DP=11;AF=0.017               GT:GQ:DP:HQ  0|0:49:3:58,50  0|1:3:5:65,3     0/0:41:3
20     1110696  rs6040355  A     G,T    67    PASS    NS=2;DP=10;AF=0.333,0.667;AA=T;DB GT:GQ:DP:HQ  1|2:21:6:23,27  2|1:2:0:18,2     2/2:35:4
20     1230237  .          T     .      47    PASS    NS=3;DP=13;AA=T                   GT:GQ:DP:HQ  0|0:54:7:56,60  0|0:48:4:51,51   0/0:61:2
20     1234567  microsat1  GTC   G,GTCT 50    PASS    NS=3;DP=9;AA=G                    GT:GQ:DP     0/1:35:4        0/2:17:2         1/1:40:3

VCF 파일의 예시. header 21줄과 body 5줄로 이루어져 있군요.

header 는 샵 (#) 으로 시작하는 VCF의 가장 윗부분을 말합니다.
샵 두개 (##) 로 시작하는 metadata 부분과, 샵 하나 (#)로 시작하는 header 으로 되어있죠.

metadata 부분은 VCF 파일의 전반적인 정보를 가지고 있습니다.
파일 형식, 날짜, 그리고 body의 INFO/FORMAT column에서 사용되는 단어들에 대한 설명이 포함되어 있죠.
예를 들어 body 의 INFO column에 있는 정보 중 NS=3 이란 정보가 있는데, header의 설명을 보면

INFO=<ID=NS, ... Description="Number of Samples With Data">

라고 되어 있으니 NS가 샘플 수라는 걸 알 수 있습니다.

header 부분은 body 에 적혀있는 데이터의 각 열이 어떤 걸 뜻하는지를 나타내는 컬럼 제목부분 입니다.
즉 이 부분은 body 의 데이터와 같은 수의 항목을 가지고 있지요.

body 부분은 실제 변이들의 데이터로 되어있습니다.
body에는 꼭 들어가야 하는 8개의 컬럼이 있는데요, 순서대로 다음과 같습니다:

  1. #CHROM: 염색체 정보
  2. POS: position. 해당 염색체에서 변이가 일어난 염기서열 위치를 말합니다.
  3. ID: 변이를 나타내는 고유 ID가 있는 경우 표시합니다. 보통 dbSNP (rs로 시작하는) ID를 적거나 ‘.’ 으로만 적어둡니다.
  4. REF: reference genome 상에서의 원래 염기서열
  5. ALT: 돌연변이로 바뀐 서열
  6. QUAL: 해당 variant를 찾아낸 것에 대한 quality score
  7. FILTER: 해당 변이가 특정 필터기준을 통과했는지에 대한 표시 (flag)
  8. INFO: 각 변이에 대한 자세한 설명이 적힌 컬럼.

위 컬럼들은 모두 탭 (tab)으로 나뉘어져 있죠.
이 외의 컬럼은 없어도 VCF파일이라 할 수 있습니다. 그러나 보통 FORMAT 컬럼, sample 컬럼 하나씩이 더 추가되어 있는 경우가 많습니다.
보통 한 개의 샘플 정보가 적혀있지만, 가끔 2개 이상의 샘플 정보가 있는 경우 그만큼 컬럼 수도 늘어나게 됩니다.

  1. FORMAT: 각 샘플에서 변이 정보를 나타내는 필드 종류. colon (:) 으로 나뉘어져 있습니다. 보통 genotype (GT), AD (allele depth), DP (Total read depth) 등이 적혀 있습니다.
  2. sample (실제 샘플 이름이 적힘): FORMAT 에 적힌 필드들의 각 샘플에서의 수치. colon (:)으로 나뉘어져 있습니다.

BED (Browser Extensible Data)

BED 파일 형식은 Human Genome Project 가 진행되면서 만들어진 형식이라고 해요.
bed 파일은 염색체의 특정 ‘영역’에 대한 정보 (annotation) 를 기록하고 사용하기 위해 만들어 졌습니다.
예를 들어, ChIP-seq 실험 결과를 통해 얻은 protein binding region 을 표시하고자 할 때 쓰일 수 있어요.
탭 (tab)으로 나뉘어져 있고 염기서열과 같이 큰 정보가 없어서 파싱하기 용이한 형식으로 널리 쓰이게 되었죠.

bed 파일은 최소 3개의 컬럼만 있으면 되는데, 이에 컬럼이 추가되어서 총 12개까지 늘어날 수 있습니다.
용도에 따라 필요한 컬럼 수가 다른거죠.
그래서 컬럼 수에 따라서 확장자 이름을 bed3, bed4, bed12 등으로 나타내기도 합니다.

track name=pairedReads description="Clone Paired Reads" useScore=1
chr22 1000 5000 cloneA 960 + 1000 5000 0 2 567,488, 0,3512
chr22 2000 6000 cloneB 900 - 2000 6000 0 2 433,399, 0,3601

일반적인 bed 파일의 예시.

bed 파일도 header 와 body 로 나뉘어져 있습니다.
header 는 기본적으로 track name, description 등이 적혀져 있는 한 줄입니다.
그런데 이 bed 파일이 UCSC genome browser 등에서 쓰이는 경우, header 에는 추가적인 정보가 들어가기도 합니다.
추가적인 정보는 browser에서 이 파일을 사용했을 때, 어느 위치를 보여줄 것인지, 어떤 포맷으로 보여줄지 등 다양합니다.

browser position chr7:127471196-127495720
browser hide all
track name="ItemRGBDemo" description="Item RGB demonstration" visibility=2 itemRgb="On"
chr7    127471196  127472363  Pos1  0  +  127471196  127472363  255,0,0
chr7    127472363  127473530  Pos2  0  +  127472363  127473530  255,0,0

추가 정보가 header 에 들어있는 bed 파일의 예시.

body 부분은 탭으로 나뉘어져 있습니다.
컬럼 수는 3개짜리 파일도 있고, 6개, 9개 등 다양합니다.
각 컬럼에는 다음과 같은 정보들이 포함되어 있습니다.

  1. chrom: 염색체 정보
  2. chromStart: 해당 영역의 시작서열 위치
  3. chromEnd: 해당 영역의 끝서열 위치
  4. name: 영역의 이름
  5. score: 영역의 점수 0~1000
  6. strand: DNA strand (+/-)
  7. thickstart: 해당 영역이 시각화 될 때 두껍게 보여질 부분의 시작위치
  8. thickend: 해당 영역이 시각화 될 때 두껍게 보여질 부분의 끝위치
  9. itemRgb: 해당 영역이 시각화 될 때 나타날 색깔
  10. blockCount: 해당 영역의 Exon 과 같은 block의 수
  11. blockSizes: comma (,) 로 나뉘어진 블록들의 크기
  12. blockStarts: comma (,) 로 나뉘어진 start 위치 목록. 이는 두번째 컬럼인 chromStart로 부터의 상대적 위치 (zero-base) 입니다.

GFF (General Feature Format)

GFF 는 DNA/RNA/protein 서열을 설명할 때 사용되는 파일 형식입니다.
한 줄에는 한 영역 (feature) 에 대한 설명이 9개 컬럼에 걸쳐서 적혀있습니다.
아래는 그 예시입니다:

chr22	TeleGene	enhancer	10000000	10001000	500	+	.	touch1
chr22	TeleGene	promoter	10010000	10010100	900	+	.	touch1

각 컬럼이 어떤건지 살펴볼까요?

  1. sequence: 해당 서열의 이름
  2. source: 해당 feature 이 어디서 왔는지에 대한 설명 (feature를 작성한 프로그램이나 연구기관 등)
  3. feature: 해당 영역의 이름 (gene 혹은 exon 등)
  4. start: 해당 영역의 시작위치 (one-base)
  5. end: 해당 영역의 끝 위치 (one-base)
  6. score: 영역에 대한 신뢰도 점수
  7. strand: ‘+’ (forward) 혹은 ‘-‘ (reverse) 가닥
  8. frame: 0,1,2 혹은 dot(.). 0은 해당 feature 의 첫 번째 서열이 reference 의 codon start 서열이라는 뜻이며, 1은 해당 feature의 두 번째 서열이 reference 의 codon start 서열이라는 뜻입니다. 만약 feature 가 exon 이 아닌 경우에는 ‘.’ 으로 되어있어요.
  9. group: feature 가 속한 group. 같은 group 인 line 들은 같은 group 값을 가집니다.

이 중 frame 컬럼은 phase라고도 불리는데, Sequence Ontology (SO) 문서 에 더 자세히 설명되어 있으니 한번 살펴보세요.

GTF (Gene Transfer Format)

GTF 파일 형식은 GFF 와 매우 유사한 형식이에요.
실제로 GFF - GTF 변환도 가능하죠.
GTF 형식의 처음 8개 컬럼은 GFF 와 동일합니다.

그러나 차이점이 있습니다.
GTF 파일에는 gene, exon 등의 feature 말고도 5’UTR, 3’UTR, inter, intron 등이 포함되어 있기도 합니다.
또한, GFF 형식의 9번째 컬럼 ‘group’이 semicolon으로 나뉜 ‘attribute’ 컬럼으로 바뀝니다.
각 attribute 는 해당 feature에 대한 설명이 type-value 짝을 이루어서 적혀 있어요.

9번째 컬럼만 보면 다음과 같이 되어 있습니다.

gene_id "ENSG00000223972"; gene_name "DDX11L1"; gene_source "havana"; gene_biotype "transcribed_unprocessed_pseudogene"; 
gene_id "ENSG00000223972"; transcript_id "ENST00000456328"; gene_name "DDX11L1"; gene_sourc e "havana"; gene_biotype "transcribed_unprocessed_pseudogene"; transcript_name "DDX11L1-002"; transcript_source "havana";

GTF 에는 해당 feature에 대해 더 자세한 설명이 적혀있는 걸 알 수 있습니다.

오늘 설명드린 파일들은 제가 자주 사용해오던 파일 형식들입니다.
그런데도 각 컬럼에 대한 세세한 설명까지 알고 있지는 못했던 것 같아요.
이번 기회에 공부해볼 수 있어서 좋았던 것 같습니다.

다음에는 또 다른 내용으로 포스팅 해보겠습니다.
그럼 다음에 만나요!