SNPs calling流程(GATK4)

SNPs marker是全基因組范圍應用廣泛的分子標記,本文介紹生態(tài)基因組學中利用GATK4軟件進行SNPs calling的流程(人的研究中可能略有不同)。以下所有分析過程以GX_01這個樣本為例子衰絮。如果有多個樣本,使用for循環(huán)時需要注意引號內變量的使用扼雏。導出多個腳本也可南捂。

1攒砖、質量控制

數(shù)據(jù)質量檢測:使用fastqc軟件

fastqc -o output_dir GX_01.1.fq.gz GX_01.2.fq.gz ... seqfileN.fq.gz
# 后面可以接多個fq.gz文件

數(shù)據(jù)過濾:使用fastp軟件

fastp -I GX_01.1.fq.gz -o GX_01.out.1.fq.gz \
-I GX_01.2.fq.gz -O GX_01.out.2.fq.gz
# .1.fq.gz和.2.fq.gz分別為雙端測序的兩個文件

2缸兔、使用bwa軟件進行reads mapping

# bwa建立參考基因組的引索
bwa index -a bwtsw reference.fa
#bwa mem比對算法
bwa mem -t 30 -M -P -R '@RG\tID:GX_01\tSM:GX_01\tLB:GX_01\tPL:Illumina' reference.fa GX_01.out.1.fq.gz GX_01.out.2.fq.gz >GX_01.0.sam
# -t為線程數(shù)日裙,-R指定引號內的flag信息。ID一定要每個樣本對號入座惰蜜。

3昂拂、將sam轉換為bam,并進行整理排序

samtools view -bS GX_01.0.sam -o GX_01.1.bam
#將sam轉換為bam

samtools sort GX_01.1.bam -o GX_01.sort.2.bam
#對bam進行整理排序

4抛猖、標記Duplicates(PCA重復)

java -jar picard.jar MarkDuplicates REMOVE_DUPLICATES= false  \
MAX_FILE_HANDLES_FOR_READ_ENDS_MAP=8000 \
INPUT=GX_01.sort.2.bam OUTPUT=GX_01.marked.3.bam \
METRICS_FILE=GX_01.marked.3.bam.metrics

5格侯、對新的到的bam文件建立引索

samtools index GX_01.marked.3.bam

6、Base (Quality Score) Recalibration(參考http://www.reibang.com/p/f190f9dfac03)

就是利用機器學習的方式調整原始堿基的質量分數(shù)(需要參考基因組有已知SNP的vcf文件财著,對大多數(shù)動物基因組而言不存在联四,人的研究中用的到,基本可以略過)撑教。

java -Xmx128g -jar gatk-package-4.0.10.1-local.jar BaseRecalibrator \
-R reference.fa -I GX_01.marked.3.bam --known-sites reference.known.vcf \
-O GX_01_recal_data.table
# 輸出重校準表格

java -Xmx128g -jar gatk-package-4.0.10.1-local.jar ApplyBQSR \
-R reference.fa -I GX_01.marked.3.bam -bqsr GX_01_recal_data.table \
-O GX_01_recal_reads.bam
# 根據(jù)重校準表格導出校準后bam文件
#檢測上述生成的bam文件是否可用朝墩。
java -Xmx128g -jar gatk-package-4.0.10.1-local.jar ValidateSamFile \
-I GX_01_recal_reads.bam

如果顯示no errors found,則可以用HaplotypeCaller call SNP/Indel.

7、GATK4 call variants

如果進行了第6步的話(也就是說如果有參考SNPs庫的話)

java -Xmx128G -jar gatk-package-4.0.10.1-local.jar HaplotypeCaller  \
-R reference.fa -I GX_01_recal_reads.bam \
--dbsnp reference.known.vcf --native-pair-hmm-threads 96 \
-stand-call-conf 30 -O GX_01.g.vcf.gz -ERC GVCF
# 生成gvcf文件(gvcf格式包括所有的變異類型伟姐,包括snps和indel收苏,需要進一步過濾)也就是說現(xiàn)在每個樣本一個gvcf文件

如果沒有進行第6步(一般動植物不會有SNPs庫)

java -Xmx128G -jar gatk-package-4.0.10.1-local.jar HaplotypeCaller  \
-R reference.fa -I GX_01.marked.3.bam -O GX_01.g.vcf.gz \
-ERC GVCF -ploidy 2 -stand_call_conf 30.0
# 生成gvcf文件(gvcf格式包括所有的變異類型,包括snps和indel愤兵,需要進一步過濾)也就是說現(xiàn)在每個樣本一個gvcf文件

————
2021.4.3更新:有朋友私信我說在HaplotypeCaller這一步要加一個“--max-mnp-distance 0”選項鹿霸,否則后面CombineGVCF會報錯。我好像沒有遇到這種情況秆乳,遇到的朋友可以試一下這個解決方法懦鼠。感謝“大海龜啦啦啦”的建議。
————

8屹堰、將多個樣本的gvcf文件整合成一個文件(假設除了GX_01肛冶,我們還跑了GB_01,GK_01這兩個樣本双藕,現(xiàn)在一共三個樣本進行整合)

如果進行了第6步的話(也就是說如果有參考SNPs庫的話)

java -Xmx128G -jar gatk-package-4.0.10.1-local.jar CombineGVCFs \
-R reference.fa --dbsnp reference.known.vcf --variant GX_01.g.vcf.gz \
--variant GB_01.g.vcf.gz --variant GK_01.g.vcf.gz -O cohort.g.vcf.gz 

如果沒有進行第6步

java -Xmx128G -jar gatk-package-4.0.10.1-local.jar CombineGVCFs \
-R reference.fa --variant GX_01.g.vcf.gz --variant GB_01.g.vcf.gz \
--variant GK_01.g.vcf.gz -O cohort.g.vcf.gz 
# 或者也可以不用一個一個指定gvcf文件淑趾,可以用-V gvcf.list

9阳仔、Genotyping(提取基因型)

java -Xmx128G -jar gatk-package-4.0.10.1-local.jar GenotypeGVCFs \
-R reference.fa -V cohort.g.vcf.gz -O genotype.vcf.gz 

10忧陪、提取SNPs(因為上一個文件包含SNPs和indels)

java -Xmx96g -jar gatk-package-4.0.10.1-local.jar SelectVariants \
-R reference.fa -O SNPs.vcf --variant genotype.vcf.gz \
--select-type-to-include SNP
# 同理,也可以提取indels

11近范、對SNPs進行機械過濾

按照官方建議的來就行

gatk VariantFiltration \
    -V SNPs.vcf \
    -filter "QD < 2.0" --filter-name "QD2" \
    -filter "QUAL < 30.0" --filter-name "QUAL30" \
    -filter "SOR > 3.0" --filter-name "SOR3" \
    -filter "FS > 60.0" --filter-name "FS60" \
    -filter "MQ < 40.0" --filter-name "MQ40" \
    -filter "MQRankSum < -12.5" --filter-name "MQRankSum-12.5" \
    -filter "ReadPosRankSum < -8.0" --filter-name "ReadPosRankSum-8" \
    -O SNPs_filtered.vcf

12嘶摊、還可以用python腳本、VCFtools進一步篩選

vcftools \
--vcf SNPs_filtered.vcf \
--maf 0.05 \ # 最小等位基因頻率為 0.05评矩,去除稀有等位基因 --max-missing-count 0 \ # 最大丟失個體數(shù)為零
--recode --recode-INFO-all \
--hwe 0.001 # 去除不滿足哈溫平衡 (p<0.001)的位點
--out final.vcf.gz

注意叶堆,過濾后的位點只是打著過濾標簽,還沒有被移除斥杜,可以用gvcftools處理虱颗。

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末沥匈,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子忘渔,更是在濱河造成了極大的恐慌高帖,老刑警劉巖,帶你破解...
    沈念sama閱讀 217,185評論 6 503
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件畦粮,死亡現(xiàn)場離奇詭異散址,居然都是意外死亡,警方通過查閱死者的電腦和手機宣赔,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,652評論 3 393
  • 文/潘曉璐 我一進店門预麸,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人儒将,你說我怎么就攤上這事吏祸。” “怎么了钩蚊?”我有些...
    開封第一講書人閱讀 163,524評論 0 353
  • 文/不壞的土叔 我叫張陵犁罩,是天一觀的道長。 經常有香客問我两疚,道長床估,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 58,339評論 1 293
  • 正文 為了忘掉前任诱渤,我火速辦了婚禮丐巫,結果婚禮上,老公的妹妹穿的比我還像新娘勺美。我一直安慰自己递胧,他們只是感情好,可當我...
    茶點故事閱讀 67,387評論 6 391
  • 文/花漫 我一把揭開白布赡茸。 她就那樣靜靜地躺著缎脾,像睡著了一般。 火紅的嫁衣襯著肌膚如雪占卧。 梳的紋絲不亂的頭發(fā)上遗菠,一...
    開封第一講書人閱讀 51,287評論 1 301
  • 那天,我揣著相機與錄音华蜒,去河邊找鬼辙纬。 笑死,一個胖子當著我的面吹牛叭喜,可吹牛的內容都是我干的贺拣。 我是一名探鬼主播,決...
    沈念sama閱讀 40,130評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼譬涡!你這毒婦竟也來了闪幽?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 38,985評論 0 275
  • 序言:老撾萬榮一對情侶失蹤涡匀,失蹤者是張志新(化名)和其女友劉穎沟使,沒想到半個月后,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體渊跋,經...
    沈念sama閱讀 45,420評論 1 313
  • 正文 獨居荒郊野嶺守林人離奇死亡腊嗡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 37,617評論 3 334
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了拾酝。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片燕少。...
    茶點故事閱讀 39,779評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖蒿囤,靈堂內的尸體忽然破棺而出客们,到底是詐尸還是另有隱情,我是刑警寧澤材诽,帶...
    沈念sama閱讀 35,477評論 5 345
  • 正文 年R本政府宣布底挫,位于F島的核電站,受9級特大地震影響脸侥,放射性物質發(fā)生泄漏建邓。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 41,088評論 3 328
  • 文/蒙蒙 一睁枕、第九天 我趴在偏房一處隱蔽的房頂上張望官边。 院中可真熱鬧,春花似錦外遇、人聲如沸注簿。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,716評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽诡渴。三九已至,卻和暖如春菲语,著一層夾襖步出監(jiān)牢的瞬間妄辩,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 32,857評論 1 269
  • 我被黑心中介騙來泰國打工谨究, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留恩袱,地道東北人泣棋。 一個月前我還...
    沈念sama閱讀 47,876評論 2 370
  • 正文 我出身青樓胶哲,卻偏偏與公主長得像,于是被迫代替她去往敵國和親潭辈。 傳聞我的和親對象是個殘疾皇子鸯屿,可洞房花燭夜當晚...
    茶點故事閱讀 44,700評論 2 354

推薦閱讀更多精彩內容