云生信学生物信息学

从参考、比对、处理BAM到变异检测跑通流程

作者:发布于 2026-11-18更新于 2026-11-15约 8 分钟阅读
从参考、比对、处理BAM到变异检测跑通流程

从参考、比对、处理BAM到变异检测跑通流程:核对人类短读长与参考;完成比对和BAM处理;生成gVCF后再分型;验收原始VCF与资源
本文操作与检查路径示意。

从全基因组重测序FASTQ开始,先明确样本和变异类型。本例限定人类Illumina双端、非UMI、常染色体二倍体germline SNP/Indel研究;肿瘤、性染色体倍性、线粒体、结构变异和长读长要使用相应方案。资源配置不能替代这些方法选择。

准备同一版本的输入与参考

核对R1/R2属于同一文库,保留样本、供体、lane和建库信息。准备相同组装的FASTA、fai、sequence dictionary、BWA-MEM2索引及已索引known-sites VCF;不能把GRCh37和GRCh38混用。autosomes.list每行一个经过核对的常染色体名称,需与参考字典一致。

阶段 输入与输出 关键检查
比对和排序 配对FASTQ→坐标排序BAM 参考、read group、样本身份
重复标记与BQSR BAM→analysis-ready BAM 重复指标、known sites、索引
HaplotypeCaller 单样本BAM→gVCF 参考置信块及样本名
GenotypeGVCFs gVCF→原始VCF 非最终过滤集,仍需质量处理

参考包建好后保存来源、校验值、FAI和字典中的contig名称及长度。这里保留完整参考用于比对,只把调用范围限定在常染色体;删去参考中的其他序列再比对会改变比对竞争关系,不能当成同一流程的省资源办法。

在新目录顺序跑通一个文库

假定fastp、BWA-MEM2、samtools、GATK4和bcftools已安装并互相兼容,保存版本及帮助后运行。线程、sort内存和Java堆只是演示设置,需在实际额度内复验。read group中SM是生物学样本,ID代表该lane,LB对应真实文库;多个lane不能无区别地共用一个ID。

#!/usr/bin/env bash
set -euo pipefail
ref=/refs/GRCh38.fa
intervals=/refs/autosomes.list
out=S01-wgs-001
mkdir "$out"
fastp -i /data/S01_R1.fq.gz -I /data/S01_R2.fq.gz   -o "$out/clean_R1.fq.gz" -O "$out/clean_R2.fq.gz"   --thread 4 --html "$out/fastp.html" --json "$out/fastp.json"
bwa-mem2 mem -t 4 -R '@RG\tID:S01_L1\tSM:S01\tLB:lib1\tPL:ILLUMINA'   "$ref" "$out/clean_R1.fq.gz" "$out/clean_R2.fq.gz" |
  samtools sort -@ 2 -m 1G -T "$out/sort" -o "$out/sorted.bam" -
samtools quickcheck "$out/sorted.bam"
gatk --java-options "-Xmx8g" MarkDuplicates   -I "$out/sorted.bam" -O "$out/marked.bam"   -M "$out/duplicate-metrics.txt" --CREATE_INDEX true
gatk --java-options "-Xmx8g" BaseRecalibrator -R "$ref" -I "$out/marked.bam"   --known-sites /refs/dbsnp.GRCh38.vcf.gz   --known-sites /refs/Mills.GRCh38.vcf.gz -O "$out/recal.table"
gatk --java-options "-Xmx8g" ApplyBQSR -R "$ref" -I "$out/marked.bam"   --bqsr-recal-file "$out/recal.table" -O "$out/ready.bam"
samtools index "$out/ready.bam"
gatk --java-options "-Xmx8g" HaplotypeCaller -R "$ref" -I "$out/ready.bam"   -L "$intervals" -ERC GVCF -O "$out/S01.g.vcf.gz"
gatk --java-options "-Xmx8g" GenotypeGVCFs -R "$ref"   -V "$out/S01.g.vcf.gz" -L "$intervals" -O "$out/S01.autosomes.raw.vcf.gz"
bcftools query -l "$out/S01.autosomes.raw.vcf.gz"
bcftools stats "$out/S01.autosomes.raw.vcf.gz" > "$out/vcf-stats.txt"

质控默认过滤需按建库和数据验证,不能只看保留量越大越好。重复标记不是直接删除所有重复记录;BQSR应使用该输入生成的recal表,known sites用于避免把真实变异当作测序错误。没有合适资源的其他物种,不能照搬这份人类命令。

逐阶段验收,避免一直跑到最后才发现错样

检查fastp报告、比对与重复指标、BAM头部read group、参考contig及索引可读性。quickcheck只做快速完整性检查,不扫描所有中间内容。BQSR和调用失败时保留完整错误,先查read group、参考与资源文件,不用关闭字典验证让流程继续。

HaplotypeCaller的gVCF含参考置信信息,是后续分型的中间输入,不能当普通最终变异表使用。GenotypeGVCFs产生这里的raw VCF;它仍需与研究设计相适配的过滤、样本质量和可靠性评估。不能把程序退出成功等同于所有候选位点都可信。

发现样本名不符时,回查原始清单与read group生成步骤,不在最终VCF里直接重命名交差。多文库、多个lane的重复标记范围和输入合并应由既定流程确定;本例只演示一个文库,扩展时保留每个lane的独立标识及对应测序文件。

留下可以扩展的运行记录

保存脚本、工具版本、参考来源、输入校验和每步日志。若有真值与高置信区域,可在对应范围评估检出;没有真值时也应检查样本身份、覆盖、污染和变异指标,不编一个跨项目通用阈值。缺失基因型不能直接改写成参考纯合;缺覆盖和有证据支持参考是不同状态。

外层记录完整流程耗时、任务RAM与工作盘峰值。比对与排序管道同时占用CPU,samtools的m是每线程近似预算,Java堆也不是进程总内存。单样本与必要输出验收通过后,再安排队列或样本并发,避免用整机核数直接启动所有任务。

参考资料

需要额外算力时

适用前提:已有原始数据且希望自行运行确定的流程。如需额外资源,可评估按任务测算的CPU服务器租赁。咨询时说明软件版本、任务规模和使用期限,配置与支持范围另行确认。

咨询本任务的服务器配置

咨询本任务的服务器配置

留下手机号,我们会结合本文任务与您沟通服务器配置和报价。

也可联系云生信企业微信客服,说明本文任务。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗