bcftools 实战：从 BAM 到 VCF 的变异检测与过滤排错指南

1. bcftools 到底是个什么工具，为什么做变异分析离不开它

刚接触二代测序数据分析的朋友，大概率会在某个流程脚本里反复看到bcftools这个命令。它不像 bwa、hisat2 那样一眼能看出是比对工具，也不像 samtools 那样名字里就带个"s"，让人模糊猜到跟 SAM/BAM 有关。我第一次看到它时，脑子里冒出的问题是：这玩意儿到底解决什么问题？后来做多了变异检测才明白，bcftools是把"比对结果"变成"变异位点清单"这条链路上最核心的一环。

先给结论：bcftools是 samtools 项目组开发的一套处理 VCF/BCF 文件的命令行工具集，同时它还具备从 BAM/CRAM 直接生成变异文件的能力。换句话说，它既负责变异文件的后处理（过滤、合并、注释、统计），又负责把测序比对结果一步到位地转成 VCF。标题里那个"bam to vcf"，正是它最经典的应用场景之一。

这件事为什么重要？因为整个重测序、外显子组、甚至部分宏基因组分析，最终目标往往就是找到样本相对于参考基因组有哪些变异位点——单核苷酸多态性（SNP）、插入缺失（InDel），再进一步做注释和解读。而比对软件（bwa、bowtie2）只告诉你"这条 read 比对到了基因组的哪个位置"，并不会告诉你"这个位置是不是发生了变异"。中间这一步转换，就是bcftools配合samtools的活儿。

哪些人需要认真掌握它？三类人：一是做群体遗传、GWAS 的研究生，每天和 VCF 打交道；二是临床检测或农业育种方向的分析人员，需要稳定地从 BAM 里 call 出变异；三是刚入门生信、正在跑标准流程的初学者，搞清楚这个工具能少走一大堆弯路。这篇内容我会从安装讲起，把常用命令、bam to vcf 的完整实操、参数计算和排错经验一次说透，你可以直接对照着跑。

1.1 从 BAM 到 VCF，中间到底发生了什么

要理解bcftools的价值，得先搞清楚 BAM 和 VCF 分别代表什么。BAM 是比对结果文件，本质上是一堆 read 的坐标、序列、比对质量、CIGAR 字符串的二进制打包。它记录的是"证据"，但没有"结论"。VCF 则是变异调用格式，记录的是"某个位置上，参考碱基是什么、样本碱基是什么、有没有足够的 read 支持、质量分数多少"。

从 BAM 到 VCF 的过程，核心是在每一个参考位点上，统计测序 read 支持各碱基的情况，再用统计模型判断该位点是否存在真实变异。bcftools mpileup负责前半段——堆叠每个位点的碱基信息，输出中间格式的 BCF/VCF；bcftools call负责后半段——用贝叶斯或类似模型给出基因型判定。这两个命令组合起来，就是"bam to vcf"的标准姿势。

我最初以为这一步可以随便找个工具糊弄过去，直到踩了坑才明白：不同 caller 的召回率、精确度差异很大，而bcftools的优势在于轻量、依赖少、参数透明、结果可复现。它不像 GATK 那样需要 Java 环境和一堆厚重的资源包，一个二进制文件就能跑，这对资源有限的服务器特别友好。

1.2 bcftools 和 samtools 是什么关系

很多人会混淆这两个工具。简单说，samtools 主要管 BAM/CRAM（比对文件），bcftools 主要管 VCF/BCF（变异文件），两者同属 htslib 生态，共享同一套底层文件读写库。所以它们的安装方式、依赖关系、甚至命令行风格都很像，学会一个再学另一个几乎零成本。

实际项目中它俩经常配合：samtools sort排序、samtools index建索引、samtools depth看深度、samtools faidx索引参考基因组；然后bcftools mpileup读取排序好的 BAM，bcftools call输出 VCF。整个流程无缝衔接，这也是为什么主流流程里这两个工具几乎总是成对出现。

有一个容易被忽视的点：bcftools 也能读 BAM，因为它底层用的是 htslib，而 htslib 同时支持 BAM、CRAM、VCF、BCF。这就是为什么mpileup能直接把 BAM 当输入。理解这一层，你对整个工具生态的认知会清晰很多。

2. 安装 bcftools：几种主流方式与踩坑记录

安装这件事，看起来简单，实际上是我见过新手翻车最多的地方。核心矛盾在于：版本不匹配会产生难以排查的报错，尤其是当你的 BAM 是用新版 samtools 生成、却想用旧版 bcftools 读取时，可能直接报 htslib 格式错误。所以下面几种方式我按推荐程度排序，并说明各自的适用场景。

2.1 conda/mamba 安装：最省心，适合绝大多数人

如果你用 conda 管理环境（现在基本是标配），安装 bcftools 一行命令搞定。我更推荐用 mamba，因为它的依赖求解速度快得多，尤其在依赖树复杂的时候，conda 可能要卡十几分钟，mamba 几秒钟就完事。

## 推荐先装 mamba，如果已经装了可以跳过 conda install -n base -c conda-forge mamba ## 创建独立环境，避免污染 base mamba create -n bioinfo -c bioconda -c conda-forge bcftools samtools ## 激活环境 conda activate bioinfo ## 验证 bcftools --version samtools --version

这里有个关键细节：一定要把 bioconda 和 conda-forge 两个 channel 都写上，并且 bioconda 在前。原因是 bcftools 的主包在 bioconda，但它的依赖（如 htslib、zlib）在 conda-forge，只写一个 channel 经常导致依赖解析失败或者装到不匹配的版本。

我踩过的一个坑是：在 base 环境里直接conda install bcftools，结果把 base 里原本的 python 版本给降级了，连带一堆包被改动，整个环境崩掉。所以强烈建议单独建环境，哪怕你觉得麻烦。生信工具依赖关系复杂，独立环境是保命措施。

2.2 源码编译安装：需要特定版本或没有 root 权限时用

有些服务器是共用集群，管理员不让你随便装 conda，或者你需要某个特定版本的 bugfix，这时候源码编译最靠谱。bcftools 的源码编译其实不复杂，难点全在依赖 htslib 上。

## 下载源码包（注意替换成你需要的版本号） wget https://github.com/samtools/bcftools/releases/download/1.19/bcftools-1.19.tar.bz2 tar -jxvf bcftools-1.19.tar.bz2 cd bcftools-1.19 ## 配置，建议指定安装前缀到自己的目录 ./configure --prefix=/your/path/bcftools-1.19 ## 编译，-j 后面跟核数，加快速度 make -j 8 make install ## 加到环境变量 export PATH=/your/path/bcftools-1.19/bin:$PATH

关键点在于 htslib 的处理。bcftools 需要一个匹配版本的 htslib。稳妥的做法是：到 htslib 的 release 页面下载对应版本，先编译安装 htslib，再在 bcftools 的 configure 阶段用--with-htslib=/your/htslib/path指定。如果偷懒直接./configure而不指定，它可能会用系统里已有的旧版 htslib，导致运行时出现诡异的段错误。

编译时报bz2 library not found是最常见的错误，说明缺 bzip2 开发库。在 CentOS 系上是yum install bzip2-devel，Debian/Ubuntu 系是apt install libbz2-dev。这类报错信息其实很直白，看一眼就知道缺什么，照着装就行。

2.3 包管理器与预编译二进制

如果你的系统是 Ubuntu/Debian，apt install bcftools也能装，省事但版本通常偏旧。比如某些 LTS 版本源里的 bcftools 可能停留在 1.10 左右，而当前稳定版已经到 1.19+，中间差了近十个版本，新功能用不了，某些 bug 也还在。

预编译二进制是另一个思路。samtools 官网提供静态编译好的可执行文件，直接下载解压就能用，不依赖任何库。这种方式适合快速验证、临时测试，但缺点是版本更新要靠手动下载替换，长期维护不如 conda 方便。

2.4 安装后必做的验证与常见报错

装完千万别急着跑流程，先做两件事。

第一，确认版本和依赖库。运行bcftools --version，它会打印版本号以及链接的 htslib 版本、编译参数。如果你发现 htslib 版本和 bcftools 主版本号差太远（比如 bcftools 1.19 却链接了 htslib 1.10），后面很可能出问题。

第二，跑一个最小测试。随便找个 BAM 文件执行bcftools view -h input.bam | head，如果能正常输出头部信息，说明读取链路是通的。这一步能提前暴露 90% 的安装问题。

常见报错里，error while loading shared libraries: libhts.so.x出现频率最高，本质是链接时找的是相对路径，运行时找不到库。解决办法是设置export LD_LIBRARY_PATH=/your/htslib/lib:$LD_LIBRARY_PATH，或者编译时加--disable-shared改成静态链接。

另一个坑是bcftools: command not found——明明装好了却找不到命令，八成是环境变量没生效。检查which bcftools和echo $PATH，确认安装目录确实在 PATH 里。conda 环境的话，记得用conda activate激活，而不是只写了个环境名就以为生效了。

3. bcftools 常用命令速通：从查看、过滤到合并

命令太多记不住是正常的，我建议不要死背，而是理解它的子命令设计逻辑：bcftools 采用"子命令 + 参数"结构，每个子命令负责一个动作。常用的就那么几个，掌握它们能覆盖 80% 的日常操作。下面按使用频率从高到低讲。

3.1 view 与 query：查看和提取信息的万金油

view是最高频的命令，作用相当于"VCF 查看器和格式转换器"。它既能把 BCF 转成 VCF，也能按区域、按样本、按过滤条件筛选，还能把 VCF 压缩成 BCF。

## 查看 VCF 头部（-h 只输出 header） bcftools view -h input.vcf.gz ## 查看前几条记录（配合 head） bcftools view input.vcf.gz | head -20 ## 按区域提取（需要索引） bcftools view -r chr1:1000000-2000000 input.vcf.gz -o region.vcf ## 按样本提取 bcftools view -s sample1,sample2 input.vcf.gz -o subset.vcf ## 只保留 PASS 的位点 bcftools view -f PASS input.vcf.gz -o pass.vcf

query则是用来从 VCF 里"抽出指定字段"的，适合做统计或生成自定义表格。它的-f参数用一套格式化占位符，比如%CHROM是染色体、%POS是位置、%REF和%ALT是碱基、%QUAL是质量值。

## 导出位点、质量、深度信息 bcftools query -f '%CHROM\t%POS\t%REF\t%ALT\t%QUAL\t%INFO/DP\n' input.vcf.gz > sites.tsv

我个人的经验是：做下游统计前，先用 query 导出成 TSV，再用 awk 或 R 处理，比全程在 VCF 上操作灵活得多。因为很多统计逻辑在 VCF 格式里表达起来很别扭，转成平表反而清爽。

3.2 filter 与表达式过滤：把假阳性干掉

变异过滤是决定结果质量的生死环节。bcftools提供了两套过滤方式：老式的filter子命令，和更灵活、现在更推荐的view -i/-e表达式方式。我强烈建议直接学后者，因为它语义清晰、支持复杂的布尔逻辑。

-i表示 include（保留满足条件的），-e表示 exclude（剔除满足条件的）。表达式里可以引用 INFO 和 FORMAT 字段。

## 保留深度≥10 且质量≥30 的位点 bcftools view -i 'INFO/DP>=10 && QUAL>=30' input.vcf.gz -o filtered.vcf ## 剔除深度过低或过高（过高常见于重复区域） bcftools view -e 'INFO/DP<10 || INFO/DP>200' input.vcf.gz -o filtered.vcf ## 只保留双等位 SNP bcftools view -m2 -M2 -v snps input.vcf.gz -o snp.vcf

参数解释一下：-m2表示最少 2 个等位基因，-M2表示最多 2 个等位基因，两者一起用就是"只保留二等位位点"；-v snps表示只要 SNP 类型。这几组参数在做群体分析时几乎是标配，因为多等位位点和 InDel 会干扰后续的统计模型。

注意：过滤表达式里的字段名大小写敏感，INFO/DP和FORMAT/DP是两个不同的东西。前者是位点级总深度，后者是样本级深度。写错了不会报错，但结果完全是另一回事，这是我早期吃过的一次亏。

3.3 merge 与 concat：合并的两种逻辑别搞混

合并是容易想当然的环节。bcftools里有两个相关命令，但含义完全不同。

concat是纵向拼接——把多个文件里不同区域的位点"接"在一起，适用于同一样本、不同染色体分别 call 出来的 VCF 合并。它要求文件之间没有重叠区域。

merge是横向合并——把多个样本的 VCF 按位点对齐合并，适用于把不同样本 call 的结果整合成一个多样本 VCF。它需要先对每个文件建索引。

## 纵向拼接（先建索引） bcftools concat -a chr1.vcf chr2.vcf chr3.vcf -o all.vcf ## 横向合并多样本（-m none 表示不合并已有位点） bcftools merge -m none sample1.vcf.gz sample2.vcf.gz -o merged.vcf ## 如果输入是 BCF，用 -O b 输出压缩格式 bcftools merge -O b -o merged.bcf sample*.vcf.gz

merge时有个参数-m需要留意：默认行为是-m both，会把位置相同但 REF/ALT 不同的位点合并成多等位；如果你不希望这样，用-m none或-m snps更安全。合并前的样本名一致性也很关键，如果两个文件的样本名重复，bcftools 会报错或产生奇怪的结果。

3.4 index、stats 与 norm：让文件可查询、可评估

index生成索引，是几乎所有按区域操作的前提。VCF.gz 和 BCF 都需要索引才能用-r查询。

bcftools index input.vcf.gz # 生成 .csi 索引 bcftools index -t input.vcf.gz # 生成 .tbi 索引

.csi是 bcftools 自己的索引格式，.tbi是 tabix 格式，兼容性更广。如果下游工具（如 IGV、某些 R 包）需要.tbi，就用-t。

stats用来快速评估一个 VCF 的基本质量，输出包括位点数、SNP/InDel 比例、转换颠换比（Ts/Tv）、质量分布等。

bcftools stats input.vcf.gz > stats.txt

其中Ts/Tv（转换/颠换比）是一个重要指标，人类全基因组数据里，真实 SNP 的这个比值通常在 2.0 到 2.1 之间。如果实测值明显偏低（比如 1.5 以下），说明假阳性较多，需要加强过滤。这个经验值是我从多个项目里总结出来的，很实用。

norm用于变异位点的规范化，主要做两件事：左对齐（left-align）和拆分多等位位点。左对齐能解决同一个 InDel 因为比对方式不同而表示成不同坐标的问题，是不同批次数据合并前的必要步骤。

bcftools norm -f reference.fa -m -both input.vcf.gz -o normalized.vcf

4. bam to vcf 实战：从比对结果到变异位点的完整流程

这是全篇的核心。前面铺垫了这么多，就是为了这一步能跑得顺、跑得准。我会按真实项目顺序展开：前置检查、mpileup、call、过滤、评估。你在自己机器上跟着走一遍，基本就能掌握整套流程。

4.1 前置检查：BAM 能不能直接分析

动手前必须确认三件事，否则后面只会白费功夫。

第一，BAM 是否已排序并建索引。mpileup要求输入是坐标排序过的 BAM，且最好有.bai索引。检查方法：

samtools quickcheck input.bam && echo "BAM OK" ls -lh input.bam.bai

如果没排序，先samtools sort再samtools index。

第二，参考基因组版本是否和 BAM 一致。这是最致命的坑。如果 BAM 是用 hg19 比对生成的，你却用 hg38 的参考去做 mpileup，染色体坐标全错，结果毫无意义。核对方法是看 BAM 头部里的@SQ行长度，和参考基因组的.fai对比。

samtools view -H input.bam | grep '^@SQ' | head samtools faidx reference.fa cat reference.fa.fai | head

两边的染色体名和长度必须完全对应，连chr1和1这种命名差异都会导致报错。

第三，参考基因组是否建了 faidx 索引。mpileup读参考序列时依赖.fai文件，没有它直接报错。

4.2 mpileup 生成原始变异信息

mpileup的阶段目标是在每个参考位点堆叠所有覆盖的 read，生成包含碱基观测、质量、深度的中间记录。它本身已经能做初步的基因型似然计算，但通常还需要call做最终判定。

bcftools mpileup \ -f reference.fa \ -q 20 \ -Q 20 \ -d 250 \ -a FORMAT/AD,FORMAT/DP,INFO/AD \ -Ou \ input.bam | \ bcftools call \ -mv \ -Oz \ -o output.vcf.gz

这个管道里每个参数都有讲究，我逐个说清楚：

• -f reference.fa：指定参考基因组，必填。
• -q 20：比对质量过滤，低于 20 的 read 不参与。这个值能过滤掉大量多重比对产生的假信号。
• -Q 20：碱基质量过滤，低于 20 的碱基视为不可信。测序质量低的碱基错误率高，必须过滤。
• -d 250：每个位点最大深度。默认值是 250，超过这个深度会被降采样。这个参数在高深度数据里必须调大，否则会丢信息。比如目标区域捕获测序深度可能到 1000x，这时候-d要设成 1000 甚至更高。
• -a FORMAT/AD,FORMAT/DP：额外输出等位基因深度和样本深度，过滤时要用。
• -Ou：输出未压缩的 BCF，用于管道传递给下一个命令。用-Ou而不是-Ov能显著减少管道传输开销，这个细节在数据量大时能省不少时间。

call阶段的参数：

• -m：启用多等位 caller 模型，适合多样本或可能有多个等位基因的场景。
• -v：只输出变异位点，不输出所有位点。如果要做全基因组统计或后续需要参考位点，去掉-v。
• -Oz：输出 bgzip 压缩的 VCF，节省空间。

4.3 call 之后的过滤：决定结果质量的关键一步

原始 call 出来的 VCF 包含大量假阳性，尤其是测序深度低、重复区域、比对歧义的位置。过滤策略因项目而异，但有几条通用规则可以照抄。

## 第一步：过滤低质量和低深度位点 bcftools view \ -i 'QUAL>=20 && INFO/DP>=10' \ -Oz -o step1.vcf.gz \ output.vcf.gz ## 第二步：只保留双等位 SNP 和 InDel bcftools view \ -m2 -M2 \ -Oz -o step2.vcf.gz \ step1.vcf.gz ## 第三步：规范化，左对齐并拆分多等位 bcftools norm \ -f reference.fa \ -m -both \ -Oz -o step3.vcf.gz \ step2.vcf.gz ## 第四步：建索引 bcftools index -t step3.vcf.gz

过滤阈值的设定逻辑值得展开讲。QUAL>=20是经验下限，代表该位点错误的概率大约在 1% 以下（Phred 质量分数含义）。但 QUAL 值受深度影响很大，低深度位点的 QUAL 天然偏低，所以不能只靠 QUAL。配合INFO/DP>=10（至少 10 条 read 支持）能过滤掉大量测序噪声。

关于深度上限，很多教程不提，但实际很重要：深度异常高的位点往往是重复序列或比对错误造成的，比如某个位点深度达到平均深度的 5 倍以上，基本可以怀疑。可以用下面的表达式剔除：

bcftools view -e 'INFO/DP>300' input.vcf.gz -o out.vcf.gz

注意：过滤顺序会影响最终结果。我习惯先做质量深度过滤，再规范化，最后再走一遍深度检查。原因是规范化可能改变位点表示形式，如果先规范化再过滤，多等位拆分后的子位点深度计算方式可能和你预期不同。

4.4 用 stats 做质量评估：看 Ts/Tv 比和深度分布

跑完流程一定要评估，否则你不知道结果是真好还是假好。

bcftools stats step3.vcf.gz > final_stats.txt ## 提取关键指标 grep '^SN' final_stats.txt

输出里重点看几个数字：

如果 Ts/Tv 明显低于 2.0，说明假阳性偏多，回头检查过滤阈值是否太松、比对质量是否太低。如果 InDel 数量异常多，检查是否在重复区域有大量假信号。这些指标不是什么高深技术，但能帮你快速判断流程是不是跑偏了，比盲目相信结果靠谱得多。

4.5 完整脚本模板与参数计算

把上面的步骤串成一个可直接跑的脚本，方便复现。这里我加上了根据数据规模调整参数的注释。

#!/bin/bash set -euo pipefail BAM=$1 REF=$2 OUT=$3 THREADS=${4:-4} ## 第一步：前置检查 samtools quickcheck "$BAM" samtools faidx "$REF" ## 估算平均深度，用于设置 -d 参数 ## 用 1% 的位点采样，快速估算 MEAN_DEPTH=$(samtools depth -a "$BAM" | awk 'NR%100==1 {sum+=$3; n++} END {print int(sum/n)}') MAX_DEPTH=$((MEAN_DEPTH * 3)) echo "Estimated mean depth: $MEAN_DEPTH, setting max depth to $MAX_DEPTH" ## 第二步：mpileup + call bcftools mpileup \ -f "$REF" \ -q 20 -Q 20 \ -d "$MAX_DEPTH" \ -a FORMAT/AD,FORMAT/DP,INFO/AD \ -Ou "$BAM" | \ bcftools call -mv -Oz -o "${OUT}.raw.vcf.gz" ## 第三步：过滤 bcftools view \ -i "QUAL>=20 && INFO/DP>=10 && INFO/DP<=${MAX_DEPTH}" \ -Oz -o "${OUT}.filt.vcf.gz" \ "${OUT}.raw.vcf.gz" ## 第四步：规范化 bcftools norm \ -f "$REF" -m -both \ -Oz -o "${OUT}.norm.vcf.gz" \ "${OUT}.filt.vcf.gz" ## 第五步：索引与统计 bcftools index -t "${OUT}.norm.vcf.gz" bcftools stats "${OUT}.norm.vcf.gz" > "${OUT}.stats.txt" echo "Done. Check ${OUT}.stats.txt for quality metrics."

这个脚本里我特意加了一个平均深度估算的步骤，用samtools depth采样 1% 的位点快速算平均深度，然后动态设置-d为平均深度的 3 倍。这个思路来自一次教训：我处理一个超高深度（平均 800x）的靶向测序样本时，忘了调-d，结果大量位点被降采样到 250，导致真实变异位点的深度信息严重失真，过滤时被误判剔除。动态计算比写死一个数字安全得多。

5. 常见问题排查与实操心得

前面讲了怎么做，这一部分讲做错了怎么救。下面这些问题我几乎在每次带新人的时候都会遇到，整理成速查形式，方便你按图索骥。

5.1 染色体命名不一致导致的空结果

症状：mpileup 跑完，call 出来的 VCF 位点数极少或者完全没有，但 BAM 明明有数据。

原因：BAM 里染色体叫chr1，参考基因组里叫1（或者反过来），两者对不上，mpileup 根本找不到对应的参考序列，自然什么都 call 不出来。这个问题通常不会报错，只是静默地产生空结果，特别隐蔽。

排查方法：

## 看 BAM 里的染色体名 samtools view -H input.bam | grep '^@SQ' | cut -f2 | head ## 看参考基因组的染色体名 cut -f1 reference.fa.fai | head

两边对照，如果不一致，要么统一改名（用sed处理参考基因组），要么用bcftools annotate --rename-chrs做映射转换。

## 建立一个映射文件 rename.txt，格式：旧名 新名 ## 1 chr1 ## 2 chr2 bcftools annotate --rename-chrs rename.txt input.vcf.gz -Oz -o renamed.vcf.gz

5.2 参考基因组版本错配

症状：位点能 call 出来，但数量异常多，或者 Ts/Tv 比严重偏低。

原因：BAM 用的是 hg19，参考却用了 hg38。两个版本坐标差异很大，导致大量虚假变异被识别出来。

排查：对比 BAM 头部@SQ的染色体长度和参考基因组.fai的长度。比如 chr1 在 hg19 里是 249250621 bp，在 hg38 里是 248956422 bp，数字对不上就说明版本不一致。这个检查应该成为你每次跑流程的固定动作，花十秒钟能避免几天白干。

5.3 内存与计算资源问题

mpileup处理大 BAM 时内存占用会比较高，尤其是高深度区域。如果服务器内存有限，可以用-r参数按染色体分块处理，然后再concat合并。

## 按染色体分块处理 for chr in $(cut -f1 reference.fa.fai); do bcftools mpileup -f reference.fa -r "$chr" -Ou input.bam | \ bcftools call -mv -Oz -o "out.${chr}.vcf.gz" done ## 合并 bcftools concat -a out.*.vcf.gz -Oz -o all.vcf.gz

这种方式牺牲了一点整体效率，但把内存峰值压下来了，在资源紧张的机器上很实用。分块处理还能并行化，写个简单的 GNU parallel 或 xargs 就能把多核跑满。

5.4 三个提升效率的独家技巧

下面这几条是我实打实攒下来的经验，教程里基本不会写。

技巧一：用 BCF 中间格式而非 VCF。BCF 是二进制的，读写速度比文本 VCF 快很多。整个流程里除了最后交付，中间步骤全用-Ob（压缩 BCF）和-Ou（未压缩 BCF），能明显减少 I/O 瓶颈。我做过对比，大文件下耗时能差 30% 以上。

技巧二：index 一定要在过滤前建。bcftools view -r region这类按区域操作依赖索引，如果每次都全文件扫描，大数据下非常慢。养成"生成 VCF 立刻建索引"的习惯，后续所有区域查询都快得多。

技巧三：过滤表达式先用小样本试。复杂表达式（尤其涉及多个 INFO/FORMAT 字段组合的）容易写错字段名或逻辑。我的做法是先取前 1000 条记录，用bcftools view -i '表达式' | wc -l快速验证，确认逻辑对了再跑全量。这个习惯帮我避免了好几次"跑了半天结果全被过滤掉"的尴尬。

5.5 常见问题速查表

我个人在实际操作中的体会是，bcftools 这套工具真正的门槛不在命令本身，而在对数据的理解：你的 BAM 是怎么来的、参考基因组是什么版本、测序深度大概多少、样本有没有污染。这些搞清楚了，参数自然就知道怎么设。反过来，如果对数据背景一无所知，就算把命令背得滚瓜烂熟，结果出来也不敢信。

最后再分享一个习惯：每次跑完流程，我都会用bcftools stats和samtools depth各看一眼整体指标，和上次的样本横向比一比。指标突然异常，往往能提前发现样本质量或流程参数的问题。这个动作花不了几分钟，但救过我不少次。