云生信学生物信息学

基因型定相任务清单:格式检查、分染色体运行与资源试跑

作者:发布于 2026-11-21更新于 2026-11-15约 7 分钟阅读
基因型定相任务清单:格式检查、分染色体运行与资源试跑

基因型定相任务清单:格式检查、分染色体运行与资源试跑:核对VCF与正确图谱;分染色体独立定相;检查样本位点及GT;按实测峰值安排并发
本文操作与检查路径示意。

定相任务先选定工具和模式,再准备输入。本文用Eagle2.4.1的无参考面板模式,处理已经完成质控的人类常染色体双等位基因型VCF。它不同于使用参考面板的vcfTarget/vcfRef入口,也不同于SHAPEIT各版本的参数;迁移工具时需要重新验证方法与输出,不能只替换可执行文件名。

建立一条染色体一个任务的清单

字段 本项目填写 必须确认
输入 目标VCF、索引、样本与位点数 已质控、排序、GT及ID可解释
坐标 基因组组装与染色体命名 本例使用1、2;不是按文件名猜
图谱 Eagle配套格式及组装 VCF没有遗传坐标,需提供正确图谱
任务 模式、线程、输出前缀 无参考模式不等于已做准确率验证
缺失处理 保留缺失或自动填补的方案 方法明确、前后一致

官方手册说明VCF/BCF输入不会自动进行其PLINK入口的缺失率质控。请先完成项目所需的样本、位点、亲缘及异常倍性检查,不把能启动程序当作输入已通过。无参考面板的准确性还取决于队列结构和信息量;很小或特殊群体应先评估方法适用性。

用明确的VCF入口顺序试跑

下面1和2是示例染色体;图谱路径需指向实际Eagle格式文件,不能用另一个工具的三列图谱仅改名代替。两线程只是调用示例。此方案用noImpMissing保留缺失GT,避免把定相同时产生的缺失填补误当成上游观测值;若选择自动填补,应另存方法和输出口径。

set -euo pipefail
eagle=/opt/Eagle_v2.4.1/eagle
map=/ref/eagle/genetic_map_hg38_withX.txt.gz
test -x "$eagle";test -s "$map"
mkdir eagle-attempt1
sha256sum "$eagle" "$map" > eagle-attempt1/tools-reference.sha256
for chr in 1 2; do
  input="/data/qc.chr$chr.vcf.gz"
  test -s "$input"
  d="eagle-attempt1/chr$chr";mkdir "$d"
  bcftools view -h "$input" > "$d/input.header.txt"
  bcftools query -l "$input" > "$d/input.samples"
  test -s "$d/input.samples"
  /usr/bin/time -v -o "$d/time.txt" "$eagle" \
    --vcf="$input" --chrom="$chr" --geneticMapFile="$map" \
    --outPrefix="$d/phased" --numThreads=2 --vcfOutFormat=z \
    --noImpMissing > "$d/run.log" 2>&1
  test -s "$d/phased.vcf.gz"
  gzip -t "$d/phased.vcf.gz"
  bcftools index "$d/phased.vcf.gz"
  bcftools query -l "$d/phased.vcf.gz" > "$d/output.samples"
  cmp "$d/input.samples" "$d/output.samples"
  bcftools stats "$d/phased.vcf.gz" > "$d/output.stats.txt"
  printf 'COMPUTE_OK\n' > "$d/status.txt"
done

检查定相结果的实际范围

先读run.log中的版本、模式、样本和位点统计,再核对输出VCF的染色体范围、GT格式和缺失情况。本例没有要求所有GT都非缺失,也不把同型基因型中的分隔符当作相位质量依据。对被排除或未能定相的位点,要根据输入类型和日志解释,不将其悄悄补回一个看似完整的表。

比较输入输出的位点集合,回查多等位、重复位置与不支持的记录。若改为参考面板模式,共同位点和等位基因匹配会决定保留范围;REF/ALT交换、indel和目标专有位点不能按同一规则随意放宽。本例无参考入口的验收结论也不能直接用于另一个模式。

让资源测试保留方法含义

分别记录每条染色体的样本数、标记数、墙钟时间、最大RSS和输出大小。先顺序运行,再测试两个独立染色体并发,观察总RAM与共享盘读取;单个作业的numThreads不是整批总线程预算。不能从小染色体的一次耗时承诺全队列完成时间。

Kpbwt、迭代和局部区间等改变会影响推断,若为资源调整采用新值,应重新做方法验证。统计定相得到竖线GT不代表真实单倍型已知;有家系、长读长或其他独立证据时可评估相位一致性。没有验证集应如实报告限制,不用服务器规格替代准确率证据。

染色体找不到、图谱不匹配或没有足够信息时,先修输入并保留失败目录,用新前缀重跑。X染色体与PAR、不同倍性及非人数据需要专门设置,不能照搬本例。输入与方法确认后,确有持续计算或内存缺口,再按测量结果安排CPU、RAM和稳定运行窗口。

需要额外算力时

适用前提:选定工具与参考后,定相计算需要额外资源或稳定长任务环境。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。

参考与版本核对

按文中适用环境运行,所用版本与参数以实际安装环境和对应官方文档为准。

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 ↗