用samtools的rmdup去除PCR重复reads

Posted 2023-04-22

参考技术A 建库中有一步是：

PCR扩增加了接头的DNA片段。
理想情况下，对打碎的基因组DNA，每个DNA片段测且仅测到一次。

但这一步扩增了6个cycle，那么每个DNA片段有了64份拷贝。将扩增后所有产物“洒”到flowcell，来自一个DNA片段的两个拷贝，可能会锚定在两个bead上，经过测序得到的这两条read，就是PCR duplication。

一般来说，如果PCR duplication rate过高，那么同样总数目的reads，所提供的关于基因组的信息就大大减少了。

参考链接：
测序的PCR duplicates及用samtools的rmdup去除PCR重复reads - BPSO_mynotes - 博客园 (cnblogs.com)

samtools(1) manual page (htslib.org)

Samtools - Duplicate Marking

重复标记

重复被定义为具有多个对齐的 5' 坐标匹配的模板。对于双端模板，这需要两个主要读取具有匹配的 5' 坐标。坐标基于读取相对于参考的未剪切位置。读取还需要匹配方向。当检测到重复时，整体最高质量的模板将被保留，所有其他模板都设置重复标志。

对于主要读取，此定义与 Picard (v2.10.3) 和 Biobambam2 (bamstreamingmarkduplicates v2.0.57) 中使用的相同。这些工具在确定重复时都不使用补充数据。然而，与 Picard 不同的是，复制模板中的补充读取默认情况下不会在 Samtools 中修改其标志。