生物信息文件夹

GATK推荐的数据预处理流程

  • 2018年 01月19日

GATK4的推荐流程哦。这个流程是从ubam文件或fastq文件得到可以用于找变异的bam文件。 以后GATK大概会把bwa和picard完全内嵌。 下面的命令其实还有很多参数的，不过一般来说用这些参数就够。 原始数据要用经过了质控之后的数据！

GATK-pre-analysis

放两个用作测试学习的原始数据。 点这里下载！

#1 先把需要用到的软件还有数据库下载好 首先是软件。当然是要用最新的啦，跟上时代。

GATK4.0

picard2.17.4

bwa0.7.17

然后是数据库。 用的是GATK提供的hg19。 地址在这：点击进入

#2 把软件都加到环境中，或者在shell脚本中设定好 像这样。

reference=/database/hg19/ucsc.hg19.fasta
indel1=/database/hg19/1000G_phase1.indels.hg19.vcf
indel2=/database/hg19/Mills_and_1000G_gold_standard.indels.hg19.vcf
gatk=/software/gatk-4.0.0.0/gatk
bwa=/software/bwa0.7.17/bwa
picard=/software/picard2.17.4/picard.jar
sample1=/project/test/data/test-1.fastq.gz
sample2=/project/test/data/test-2.fastq.gz

第一次用软件，还要建立好索引文件。以后不需要。

$bwa index $reference
java -jar $picard CreateSequenceDictionary \
	R=$reference

#3 比对到参考序列

bwa mem -t 6 $reference $sample1 $sample2 > sample.sam
# -t 6 表示用6个线程来跑

#4 对比对结果进行排序 按croodinate来排，就是根据染色体号还有位置排。

java -jar $picard SortSam \
	I=sample.sam \
	O=sample.sorted.bam \
	SO=coordinate

#5 去掉重复序列

java -jar $picard MarkDuplicates \
	I=sample.sorted.bam \
	O=sample.marked_dup.bam \
	M=marked_dup.txt

#6 加上read group信息 不加的话后面GATK会报错的。

java -jar $picard AddOrReplaceReadGroups \
	I=sample.marked_dup.bam \
	O=sample.addhead.bam \
	RGID=4 \
    	RGLB=lib1 \
   	RGPL=illumina \
    	RGPU=unit1 \
    	RGSM=20
# 这里后面几个RG信息都按自己的实际情况填哦

#7 对自己的bam建立索引

java -jar $picard BuildBamIndex \
	I=sample.addhead.bam

#8 重新比对indel区域 这里GATK4和以前的版本不一样了，运用了machine learning。

$gatk BaseRecalibrator \
	-I sample.addhead.bam \
	-R $reference \
	--known-sites $indel1 \
	--known-sites $indel2 \
	-O recal_data.table

#9 校正质量值

$gatk ApplyBQSR \
	-R $reference \
	-I sample.addhead.bam \
	--bqsr-recal-file recal_data.table \
	-O sample.pre.analysis.bam

这样，就得到了一个可以供后续使用的bam文件。

搜索