生物信息文件夹

GATK推荐的germline call snp+indel流程

  • 2018年 01月27日

GATK4推荐流程。 其实还没完全搞懂。 不过把变异call出来是没问题的！ 没有和其他软件对比过正确率。。。

germline

#1 首先把原始数据处理成可以用 的bam 参考推荐的数据准备流程。

#2 同样的，配置好软件和环境 像这样。

sample=sample.pre.analysis.bam
gatk=/software/gatk-4.0.0.0/gatk
reference=/database/GATK/hg19/ucsc.hg19.fasta
omni=/database/GATK/hg19/1000G_omni2.5.hg19.vcf
indel=/database/GATK/hg19/1000G_phase1.indels.hg19.vcf
dbsnp=/database/GATK/hg19/dbsnp_138.hg19.vcf
hapmap=/database/GATK/hg19/hapmap_3.3.hg19.vcf
snp=/database/GATK/hg19/1000G_phase1.snps.high_confidence.hg19.vcf

#3 生成gvcf haplotypecaller运行每个样本以生成称为gvcf的中间文件，然后可以以非常有效的方式用于多个样本的联合基因分型。

$gatk --java-options "-Xmx4g" HaplotypeCaller  \
   -R $reference \
   -I $sample \
   -O output.g.vcf.gz \
   -ERC GVCF

#4 生成vcf 收集所有的每个样本gvcfs（或者如果处理大量的样本，合并gvcfs），然后将它们传递给联合基因分型工具genotypegvcfs。 这产生了一组联合的snp和indel，用于过滤。

$gatk --java-options "-Xmx4g" GenotypeGVCFs \
   -R $reference \
   -V output.g.vcf.gz \
   -O output.vcf.gz

#addition 生成一个clean vcf（其实这一步不是gatk4的推荐步骤，是一个选择） 做这一步的话后面的就不用做了。不做这一步的话就做后面的。

$gatk SelectVariants \
     -R $reference \
     -V output.vcf.gz \
     --select-type-to-include SNP \
     -O output.vcf

#5 过滤前文件的生成 这一步利用了machine learning，生成过滤文件

$gatk VariantRecalibrator \
   -R $reference \
   -V output.vcf.gz \
   --resource hapmap,known=false,training=true,truth=true,prior=15.0:$hapmap \
   --resource omni,known=false,training=true,truth=false,prior=12.0:$omni \
   --resource 1000G,known=false,training=true,truth=false,prior=10.0:$snp \
   --resource dbsnp,known=true,training=false,truth=false,prior=2.0:$dbsnp \
   -an QD -an MQ -an MQRankSum -an ReadPosRankSum -an FS -an SOR \
   -mode SNP \
   -O output.recal \
   --tranches-file output.tranches \
   --rscript-file output.plots.R

#7 根据过滤文件过滤vcf，得到clean vcf

$gatk ApplyVQSR \
   -R $reference \
   -V output.vcf.gz \
   -O output.clean.vcf.gz \
   -ts-filter-level 99.0 \
   --tranches-file output.tranches \
   --recal-file output.recal \
   -mode SNP

#8 vcf注释 最常用的肯定是annovar啦，以前说过的，翻翻以前的文章就懂了。

搜索