GATK--使用转载

Posted 2020-08-28 nkwy2012

http://blog.sciencenet.cn/blog-1469385-819498.html

 

文章目录

• 一.准备工作
• 二.流程概览
• 三.流程

 

首先说说GATK可以做什么。它主要用于从sequencing 数据中进行variant calling，包括SNP、INDEL。比如现在风行的exome sequencing找variant，一般通过BWA+GATK的pipeline进行数据分析。

要run GATK，首先得了解它的网站(http://www.broadinstitute.org/gatk/)。

一.准备工作

(1)程序下载

http://www.broadinstitute.org/gatk/download

务必下载最新版，注意不是那个GATK-lite，而是GATK2.（目前是2，不知何时会更新到3.更新很快啊有木有，所以一定要用新版）解压到某个目录即可，无需安装。打开解压缩后的目录，会发现GenomeAnalysisTK.jar这个文件。我们要用的各种工具都在这个包里。

(2)Reference sequence和annotation下载

务必使用GATK resource bundle上各种序列和注释来run GATK。

GATK resource bundle介绍：

http://gatkforums.broadinstitute.org/discussion/1213/whats-in-the-resource-bundle-and-how-can-i-get-it

GATK resource bundle FTP地址：

http://gatkforums.broadinstitute.org/discussion/1215/how-can-i-access-the-gsa-public-ftp-server

例如呢，以hg19(human genome build 19.此外，b37也很常用)为参考序列,

输入如下命令： lftp ftp.broadinstitute.org -u gsapubftp-anonymous

回车后键入空格，便可进入resource bundle。进入其中名为bundle的目录，找到最新版的hg19目录。

要下载的文件包括：

ucsc.hg19.fasta

ucsc.hg19.fasta.fai

1000G_omni2.5.hg19.vcf

1000G_omni2.5.hg19.vcf.idx

1000G_phase1.indels.hg19.vcf

1000G_phase1.indels.hg19.vcf.idx

dbsnp_137.hg19.vcf

dbsnp_137.hg19.vcf.idx

hapmap_3.3.hg19.vcf

hapmap_3.3.hg19.vcf.idx

Mills_and_1000G_gold_standard.indels.hg19.vcf

Mills_and_1000G_gold_standard.indels.hg19.vcf.idx

(3)R 设置

GATK某些步骤需要使用R画一些图，此时会调用一些R packages。如果你使用的R没有装这些packages，就无法生成pdf文件。因此得安装一些必要的R packages，包括（但不限于）如下：

• bitops
• caTools
• colorspace
• gdata
• ggplot2
• gplots
• gtools
• RColorBrewer
• reshape
• gsalib

如何check这些packages有没有安装？以ggplot2为例，进入R，输入library(ggplot2)，如果没有error信息，就表明安装了ggplot2；如果没有安装，输入命令install.packages("ggplot2")，按照提示操作便可安装ggplot2。如果package安装不成功，很可能是权限问题：默认使用的R是系统管理员安装的，而你在/usr等目录下没有write权限。这是可以选择直接在自己目录下安装了R，然后install各种packages。也可以在 install.packages时指定将packages安装到自己的目录。

将R packages安装到自己目录的方法：

install.packages("ggplot2", lib="/your/own/R-packages/")

然后将指定的路径添加到R_LIBS变量即可。

gsalib的安装有点不一样。

从该网站下载gsalib：https://github.com/broadgsa/gatk

解压缩后，进入build.xml文件所在的目录，输入命令ant gsalib。这样就可以安装gsalib 了。如果该gsalib仍然无法load，可能需要将gsllib的path告诉R。

http://gatkforums.broadinstitute.org/discussion/1244/what-is-a-gatkreport

这里有较详细的步骤。（奇怪的是我没有~/.Rprofle文件，ant完后也没有add path，仍然work了）

此外，gaslib安装要求java的版本为1.6。

设置路径：

export R_HOME=/your/R/install/path
export R_LIBS=/your/R-packages/path

如何查看当前使用的R的路径？输入 which R即可。

二.流程概览

图片摘自http://www.broadinstitute.org/gatk/guide/topic?name=best-practices。话说这个Best practices，刚开始接触GATK时每个人都推荐我看，可是我就是看不懂...许多东西要亲自做过后，再回头看才能懂。不过既然那么元老级人物都说要看看，所以如果你是新手，还是看看吧。

好消息是现在该页面多了个BroadE Workshop的东东，里面的一些材料非常有用。http://www.broadinstitute.org/gatk/guide/events?id=2038#materials

在工作之前，最好把这些work materials通览一遍。

seqanswers上的这个wiki也是很好的入门材料，可以让你看看每一步在做什么。

http://seqanswers.com/wiki/How-to/exome_analysis

但是呢，它比较过时了，它使用的GATK版本应该是2.0以前的，现在的流程有了一些调整，一些参数设置也有变化。所以该pipeline仅供参考，切勿照抄代码。例如它关于reference sequence的那一部分，是自己手动generate hg19的genome sequence。但是，由于后面要用到dbSNP和indel的各种annotation，而这些file的index很可能和自己generate的hg19的index不一样(resource bundle上hg19除了chr1-22，X,Y，chrC，ChrM外还会多出一些没有组装的序列)，这样会导致程序出错，到时候还得重头来过。所以，务必使用GATK resource bundle上的东西！

我后面贴出的代码也一样，切勿照抄。鬼知道过几个月GATK又会有什么变化。It keeps changing all the time...时刻跟上GATK网站上的update才是王道。（虽然它的网站做得...实在算不上好...好多时候我都找不到自己想要的东西）

三.流程

(1)Mapping。

因我只处理过Miseq和Hiseq的pair-end数据，以此为例。Mapping多使用BWA，因为它能允许indels。另一常用mapping软件Bowtie则不能generate indels，多用于perfect match的场合如sRNA mapping。

首先建立reference的index。

bwa index -a bwtsw -p hg19 hg19.fasta

这个过程耗时良久...above 5h吧。

-p是给reference起的名字。完成后会生成如下几个文件：

hg19.amb

hg19.ann

hg19.bwt

hg19.dict

hg19.pac

hg19.sa

然后是mapping喽，开始贴代码...先对pair-end数据的pair1和pair2分别进行mapping，生成相应的sai file，然后再结合两者生成sam file。接着利用picard对sam file进行sort，并且生成sort后的bam file。

sample=$1
data_dir=***
work_dir=***
ref_dir=~/database/hg19
sai_dir=$work_dir/saifiles
sam_dir=$work_dir/samfiles
bam_dir=$work_dir/bamfiles
log_dir=$work_dir/logs
met_dir=$work_dir/metrics
other_dir=$work_dir/otherfiles
gatk=/software/sequencing/GenomeAnalysisTK-2.3-4-g57ea19f/GenomeAnalysisTK.jar
picard=/software/sequencing/picard_latest
bwa aln $ref_dir/hg19 -t 4 $data_dir/${sample}_1.fastq.gz > $sai_dir/${sample}_1.sai
bwa aln $ref_dir/hg19 -t 4 $data_dir/${sample}_2.fastq.gz > $sai_dir/${sample}_2.sai
bwa sampe -r "@RG\tID:$sample\tLB:$sample\tSM:$sample\tPL:ILLUMINA" $ref_dir/hg19 $sai_dir/${sample}_1.sai $sai_dir/${sample}_2.sai $data_dir/${sample}_1.fastq.gz $data_dir/${sample}_2.fastq.gz | gzip > $sam_dir/$sample.sam.gz
java -Xmx10g -Djava.io.tmpdir=/tmp -jar $picard/SortSam.jar INPUT=$sam_dir/$sample.sam.gz OUTPUT=$bam_dir/$sample.bam SORT_ORDER=coordinateVALIDATION_STRINGENCY=LENIENT CREATE_INDEX=true

Tips：

a. bwa以及后面使用的一系列tools都能直接读取gzip压缩文件。为了节省硬盘空间，以及减少压缩/解压缩过程的read/write时间，最好直接用*.gz文件作为input。output也最好先在管道里使用gzip压缩一下再输出。

b.bwa sample一步里的-r选项不可忽略。

c.Picard的SortSam需指定一个tmp目录，用于存放中间文件，中间文件会很大，above 10G.注意指定目录的空间大小。

d.对于压缩后大小约3G的fastq.gz文件，bwa aln需run 30-60min。将生成的两个sai file merge到一起生成sam file需60-90min。利用picard sort sam需30-60min。

e.Samtools也提供了工具进行sam file的sort和bam file的生成，并且不会生成大的中间文件。

(2) Duplicate marking。

这一步的目的是mark那些PCR的duplicate。由于PCR有biases，有的序列在会被overpresented, 它们有着相同的序列和一致的map位置，对GATK的work会造成影响。这一步给这些序列设置一个flag以标志它们，方便GATK的识别。还可以设置 REMOVE_DUPLICATES=true 来丢弃duplicated序列，不过还未探索过只标记不丢弃和丢弃对于后续分析的影响。官方流程里只用标记就好。

java -Xmx15g
-Djava.io.tmpdir=/tmp -jar $picard/MarkDuplicates.jar INPUT= $bam_dir/$sample.bam OUTPUT= $bam_dir/$sample.dedupped.bam METRICS_FILE= $met_dir/$sample.dedupped.metrics CREATE_INDEX=true VALIDATION_STRINGENCY=LENIENT

(3)Local relignment

INDEL附近的alignment通常不准，需要利用已知的indel信息进行realignment，分两步，第一步进行 RealignerTargetCreator，输出一个包含着possible indels的文件。第一步IndelRealigner，利用此文件进行realign。

第一步需要用到一些已知的indel信息。那么该使用哪些文件呢？

参考如下的链接：http://gatkforums.broadinstitute.org/discussion/1247/what-should-i-use-as-known-variantssites-for-running-tool-x

其中这张图表尤其有用，可以看到RealignerTargetCreator和IndelRealigner步骤中推荐使用两个indel注释file，如代码中-known所示。

 

Tool	dbSNP 129	dbSNP >132	Mills indels	1KG indels	HapMap	Omni
RealignerTargetCreator			X	X
IndelRealigner			X	X
BaseRecalibrator		X	X	X
(UnifiedGenotyper/ HaplotypeCaller)		X
VariantRecalibrator		X	X		X	X
VariantEval	X

 

java -Xmx15g -jar $gatk -T RealignerTargetCreator -R $ref_dir/hg19.fasta -o $other_dir/$sample.realigner.intervals -I $bam_dir/$sample.dedupped.bam -known $ref_dir/1000G_phase1.indels.hg19.vcf -known $ref_dir/Mills_and_1000G_gold_standard.indels.hg19.vcf

java -Xmx15g -jar $gatk -T IndelRealigner -R $ref_dir/hg19.fasta -I $bam_dir/$sample.dedupped.bam -targetIntervals $other_dir/$sample.realigner.intervals -o $bam_dir/$sample.dedupped.realigned.bam -known $ref_dir/1000G_phase1.indels.hg19.vcf -known $ref_dir/Mills_and_1000G_gold_standard.indels.hg19.vcf

在一些老版本的pipeline中(如seqanswers上的那个)，这一步做完后还要对pair-end数据的mate information进行fix。不过新版本已经不需要这一步了，Indel realign可以自己fix mate。参考http://gatkforums.broadinstitute.org/discussion/1562/need-to-run-a-step-with-fixmateinformation-after-realignment-step

(4) Base quality score recalibration

这一步简称BQSR，对base的quality score进行校正。同样要用到一些SNP和indel的已知文件(参考上表和代码中-known选项)。第一步BaseRecalibrator生成一个用于校正的recal.grp文件和一个校正前的plot；第一步BaseRecalibrator生成一个校正后的plot；第三步PringReads利用recal.grp进行校正，输出校正后的bam file。

java -Xmx15g -jar $gatk -T BaseRecalibrator -R $ref_dir/hg19.fasta -I $bam_dir/$sample.dedupped.realigned.bam -knownSites $ref_dir/dbsnp_137.hg19.vcf -knownSites $ref_dir/Mills_and_1000G_gold_standard.indels.hg19.vcf -knownSites $ref_dir/1000G_phase1.indels.hg19.vcf -o $other_dir/$sample.recal.grp -plots $other_dir/$sample.recal.grp.pdf

java -Xmx15g -jar $gatk -T BaseRecalibrator -R $ref_dir/hg19.fasta -I $bam_dir/$sample.dedupped.realigned.bam -BQSR $other_dir/$sample.recal.grp -o $other_dir/$sample.post_recal.grp -plots $other_dir/$sample.post_recal.grp.pdf -knownSites $ref_dir/dbsnp_137.hg19.vcf -knownSites $ref_dir/Mills_and_1000G_gold_standard.indels.hg19.vcf -knownSites $ref_dir/1000G_phase1.indels.hg19.vcf

java -Xmx15g -jar $gatk -T PrintReads -R $ref_dir/hg19.fasta -I $bam_dir/$sample.dedupped.realigned.bam -BQSR $other_dir/$sample.recal.grp -o $bam_dir/$sample.dedupped.realigned.recal.bam

TIPS：

这一步里如果产生不了PDF文件，很可能是Rscript的执行出了问题。检查R里面是否安装了该安装的packages。如果仍无法找出原因，可以在BaseRecalibrator那两步加上-l DEBUG再运行，此时的log信息中会详细写明为什么Rscript执行不了。

(5)Reduce bam file

这一步类似将bam file进行压缩，减小size，也方便后续的UnifiedGenotyper对数据的读取和处理。

java -Xmx15g -jar $gatk -T ReduceReads -R $ref_dir/hg19.fasta -I $bam_dir/$sample.dedupped.realigned.recal.bam -o $bam_dir/$sample.dedupped.realigned.recal.reduced.bam

到现在已经准备好了call variant所需要的bam file。下一篇会讲讲如何利用UnifiedGenotyper进行variant calling以及downstream的分析。

(6)Variant calling

GATK提供两种工具进行Variant calling，HaplotypeCaller 和UnifiedGenotyper。

按照GATK开发者的说法，HaplotypeCaller使用local de novo assembler和HMM likelihood function，性能优于UnifiedGenotyper，但是HaplotypeCaller还处于实验阶段，运行时可能会出现问题。GATK的推荐是如果可以用HaplotypeCaller，还是用它。要注意的是目前HaplotypeCaller的input不能使reduced bam files，也不能支持多线程。

这里使用的GATK工具是UnifiedGenotyper。

相比起对每一个sample分别进行calling，更好的方式是multi-sample calling。这样的pooled calling可以更多地利用多个sample的信息，对于特定位点，信息更多更加可信。

data_dir=*******
work_dir=******
ref_dir=~/database/hg19
bam_dir=$work_dir/bamfiles
log_dir=$work_dir/logs
met_dir=$work_dir/metrics
other_dir=$work_dir/otherfiles
vcf_dir=$work_dir/vcf
gatk=/software/sequencing/GenomeAnalysisTK-2.3-4-g57ea19f/GenomeAnalysisTK.jar

java -Xmx15g -jar $gatk -glm BOTH -l INFO -R $ref_dir/hg19.fasta -T UnifiedGenotyper -I $bam_dir/sample1.dedupped.realigned.recal.reduced.bam -I ... -I ... -D $ref_dir/dbsnp_137.hg19.vcf -o $vcf_dir/allsamples.vcf -metrics $met_dir/snpcall.metrics -L $work_dir/Truseq.bed

-l BOTH 指对SNP和INDEL同时进行calling。

-L参数指定capture region的bed file。

这一步如果是deep coverage的exome sequencing data，时间还是蛮久的，>12h。由于每一条染色体的calling是相对独立的，如果赶时间，可以分别对每条染色体进行calling，然后用CombineVariants将不同的vcf文件合并。UnifiedGenotyper也可以使用多线程，multithreading，具体请参照如下两篇：

http://gatkforums.broadinstitute.org/discussion/1988/a-primer-on-parallelism-with-the-gatk#latest

http://www.broadinstitute.org/gatk/guide/article?id=1975

(7)Variant quality score recalibration

在做这一步前建议好好阅读这篇

http://gatkforums.broadinstitute.org/discussion/39/variant-quality-score-recalibration-vqsr

弄清楚VQSR的原理：基于已知的variants，建立模型去评估和filter新的variants。

要注意的是，VQSR只适用于samples数目大于30的exome sequencing或者whole genome sequenicing。如果sample数目不够或者capture region过小，请参考http://www.broadinstitute.org/gatk/guide/topic?name=best-practices中对于此类问题的解决方法建议。一般是使用VariantFiltration进行hard filter。

对于能够进行VQSR的，分两步进行：

a. VariantRecalibrator 这一步建立模型，生成用于评估和recalibration的file。

java -Xmx15g -jar $gatk -T VariantRecalibrator -R $ref_dir/hg19.fasta -mode SNP -input $vcf_dir/allsamples.vcf -resource:hapmap,known=false,training=true,truth=true,prior=15.0 $ref_dir/hapmap_3.3.hg19.vcf -resource:omni,known=false,training=true,truth=false,prior=12.0 $ref_dir/1000G_omni2.5.hg19.vcf -resource:dbsnp,known=true,training=false,truth=false,prior=6.0 $ref_dir/dbsnp_137.hg19.vcf -an QD -an HaplotypeScore -an MQRankSum -an ReadPosRankSum -an FS -an MQ -an InbreedingCoeff -recalFile $other_dir/allsamples_snp.recal -tranchesFile $other_dir/allsamples_snp.tranches -rscriptFile $other_dir/allsamples_snp.plots.R --TStranche 90.0 --TStranche 93.0 --TStranche 95.0 --TStranche 97.0 --TStranche 99.0 --TStranche 99.9 --TStranche 100.0

首先run上面的代码。-an flag应尽可能多地包括variant的那些annotator参数，以方便后来我们对这些参数进行评估，以选出最优组合。这一步产生的allsamples_snp.plots.R的图片，类似下面这种：

每一张图都描述了两个annotator参数的散点图。具体含义请参考前述链接。我们要做的就是选择那些可以很好地区分known/novel以及retained/filtered的variants的参数。上图所示的MQRankSum和HaplotypeScore就可以很清楚地将known variants聚类，从而filter那些和已知的cluster差别特别大的variants，因此这两个参数保留。

选择annotator参数的过程其实有点主观，需要经验...anyway, good luck.

当我们选择完所有对variants有很好区分度的参数后，再将上面的代码run一次，这次在-an那一行去掉没被选上的参数，保留我们选择的参数。

如果犹豫不定哪些参数该加还是不加，可以看看.tranches和.tranches.pdf这两个文件，看看在哪种参数组合下run出来的结果比较好一点。如何判断哪种结果好呢？(1)Ti/Tv rate.(2)保留的variants数目.(3)True positive和false positive的比例。一般来说Ti/Tv在接近于3的范围内越大越好，该值越小，False positive就越多。

下图是.tranches文件的内容示例。其中列出在在给定的target truth sensitivity下，有多少的novel和known variants，以及对应的Ti/Tv比例。target truth sensitivity越高，包括的variants数目越多，可能的假阳性就越多；想要降低假阳性，增加结果的specificity，可以降低target truth sensitivity。target truth sensitivity可以通过--TStranche进行设置，VariantRecalibrator默认只会给出--TStranche 99的选项，我们在程序中可以多设置几个threshold，进而可以在sensitivity和specificity之间进行选择。

对INDEL也是同样的操作。只是INDEL的training resources和SNP不一样。另外根据GATK的建议，还set了一些别的参数。

java -Xmx15g -jar $gatk -T VariantRecalibrator -R $ref_dir/hg19.fasta -mode INDEL --maxGaussians 4 -std 10.0 -percentBad 0.12 -input $vcf_dir/allsamples.vcf -resource:mills,known=true,training=true,truth=true,prior=12.0 $ref_dir/Mills_and_1000G_gold_standard.indels.hg19
-an MQ -an FS -an InbreedingCoeff -recalFile $other_dir/allsamples_indel.recal -tranchesFile $other_dir/allsamples_indel.tranches -rscriptFile $other_dir/allsamples_indel.plots.R

同样也是选择-an的flag，然后再run一次。

b.ApplyRecalibration 先对SNP进行apply，再对INDEL进行apply。

java -Xmx15g -jar $gatk -T ApplyRecalibration -R $ref_dir/hg19.fasta -mode SNP -input $vcf_dir/allsamples.vcf -tranchesFile $other_dir/allsamples_snp.tranches -recalFile $other_dir/allsamples_snp.recal -o $vcf_dir/allsamples_t90.SNPrecal.vcf --ts_filter_level 90

java -Xmx15g -jar $gatk -T ApplyRecalibration -R $ref_dir/hg19.fasta -mode INDEL -input $vcf_dir/allsamples_t90.SNPrecal.vcf -tranchesFile $other_dir/allsamples_indel.tranches -recalFile $other_dir/allsamples_indel.recal -o $vcf_dir/allsamples_t90.bothrecal.vcf

--ts_filter_lever 90 是指将target truth sensitivity在90以下的在“filter”field标记为PASS，其余的根据我们设置的TStranche选项，分别标记不同的flag。例如VQSRTrancheSNP90.00to93.00,VQSRTrancheSNP93.00to95.00等等。

(8)Filtering

做完VQSR后，就可以根据vcf文件中FILTER一栏进行filter。filter没有一定的标准，主要还是看自己的期望，在specificity和sensitivity之间做选择。参考的主要还是.tranches文件里的数据。如果想包括尽可能多的novel variants而不太在乎false positive的问题，可以选择较高的target truth sensitivity，例如97。这样我们的filter策略就是：保留FILTER一栏的值为PASS，VQSRTrancheSNP90.00to93.00，VQSRTrancheSNP93.00to95.00，VQSRTrancheSNP95.00to97.00的variants，filter掉其他的variants。使用awk就可以啦。

(9)variants评估

使用的工具为VariantEval。它可以给出很多summary信息，例如每个sample的Ti/Tv,variants数目等等。

java -Xmx70g -jar $gatk -T VariantEval -R $ref_dir/genome.fa --eval:allsamples $vcf_dir/allsamples_t90-97.bothrecal.vcf -o $other_dir/allsamples_t90.eval.gatkreport -D $ref_dir/dbsnp_137.hg19.vcf -ST Sample -ST Filter -noEV -EV TiTvVariantEvaluator

java -Xmx70g -jar $gatk -T VariantEval -R $ref_dir/genome.fa --eval:allsamples $vcf_dir/allsamples_t90-97.bothrecal.vcf -o $other_dir/allsamples_t90.eval_1.gatkreport -D $ref_dir/dbsnp_137.hg19.vcf -ST Sample -ST Filter -noEV -EV CompOverlap -EV CountVariants -EV IndelSummary -EV MultiallelicSummary -EV ValidationReport

这一步很耗memory，所以有时候得run多次，每次产生一部分结果。

-ST 对每个sample分别进行统计。

-noEV 由于EV包括的选项太多，全部run有点吃不消，因此disable它，然后用-EV flag挑选我们感兴趣的指标进行summary。

本文来自：

http://blog.sina.com.cn/s/blog_681aaa550101bhdc.html

http://blog.sina.com.cn/s/blog_681aaa550101cdmk.html