
Mutect2配对队列首先要确保肿瘤与匹配正常样本关联正确。路径中的tumor/normal文字不等于BAM中的SM标识,选错正常样本也不能靠增加资源修复。本篇按GATK4.7的一对DNA样本示范候选、方向偏倚、污染估计与过滤,并说明区间任务的汇总边界。
先固定样本与参考资源
准备已验收、排序和索引有效的配对BAM,核对实际SM与实验映射,肿瘤和正常必须是不同SM。参考、字典、区间及VCF组装一致;胚系频率资源、PoN与污染估计common SNP分别承担不同作用,不能拿任意同名VCF替换。以下限定这些资源已经按项目论证并准备齐全。
| 检查项 | 本例约定 | 验收重点 |
|---|---|---|
| 配对 | 病例、肿瘤BAM、正常BAM、真实SM | 身份与交叉污染另验收 |
| 候选 | 参考、频率资源、PoN及区间 | unfiltered VCF及.stats |
| 模型 | F1R2与两份pileup表 | 方向偏倚、污染和分段 |
| 过滤 | 同一配对的全部关联产物 | FILTER、样本及有效范围 |
在一个独立目录跑通整对
下例路径与normal_sm需替换为已核对材料,主流程使用8g Java堆示范,实际主机RAM还含非堆与本地库。GetPileupSummaries的common位点资源需有适用AF信息及索引;分析区间、深度及可用位点会影响污染估计,应结合输出表解释。
#!/usr/bin/env bash
set -euo pipefail
tumor=/data/T.bam
normal=/data/N.bam
normal_sm=NORMAL_01
ref=/refs/genome.fa
intervals=/refs/analysis.interval_list
af=/refs/af-only.vcf.gz
pon=/refs/pon.vcf.gz
common=/refs/common-snps.vcf.gz
for file in "$tumor" "$normal" "$ref" "$intervals" "$af" "$pon" "$common"; do
test -s "$file"
done
samtools quickcheck -v "$tumor" "$normal"
mkdir mutect-pair-001
root="$PWD/mutect-pair-001"
samtools view -H "$tumor" > "$root/tumor.header.sam"
samtools view -H "$normal" > "$root/normal.header.sam"
python3 - "$root" "$normal_sm" <<'PY'
import sys
from pathlib import Path
root=Path(sys.argv[1])
def samples(path):
groups=[l for l in path.read_text().splitlines() if l.startswith("@RG\t")]
per_group=[[v[3:] for v in l.split("\t")[1:] if v.startswith("SM:")] for l in groups]
assert groups and all(len(v)==1 and v[0] for v in per_group)
values=[v[0] for v in per_group]
assert len(set(values))==1
return set(values)
t=samples(root/"tumor.header.sam"); n=samples(root/"normal.header.sam")
assert n=={sys.argv[2]} and t.isdisjoint(n)
PY
gatk --version > "$root/version.txt" 2>&1
/usr/bin/time -v -o "$root/call.resources.txt" \
gatk --java-options "-Xmx8g" Mutect2 -R "$ref" -I "$tumor" -I "$normal" \
--normal-sample "$normal_sm" --germline-resource "$af" --panel-of-normals "$pon" \
-L "$intervals" --native-pair-hmm-threads 4 \
--f1r2-tar-gz "$root/f1r2.tar.gz" -O "$root/unfiltered.vcf.gz" \
> "$root/call.log" 2>&1
test -s "$root/unfiltered.vcf.gz.stats"
gatk --java-options "-Xmx4g" LearnReadOrientationModel \
-I "$root/f1r2.tar.gz" -O "$root/orientation.tar.gz" > "$root/orientation.log" 2>&1
for kind in tumor normal; do
input="$tumor"
if [ "$kind" = normal ]; then input="$normal"; fi
gatk --java-options "-Xmx4g" GetPileupSummaries -R "$ref" -I "$input" \
-V "$common" -L "$common" -O "$root/$kind.pileups.table" \
> "$root/$kind.pileups.log" 2>&1
done
gatk --java-options "-Xmx4g" CalculateContamination \
-I "$root/tumor.pileups.table" --matched-normal "$root/normal.pileups.table" \
--tumor-segmentation "$root/segments.table" -O "$root/contamination.table" \
> "$root/contamination.log" 2>&1
gatk --java-options "-Xmx8g" FilterMutectCalls -R "$ref" \
-V "$root/unfiltered.vcf.gz" --stats "$root/unfiltered.vcf.gz.stats" \
--ob-priors "$root/orientation.tar.gz" --contamination-table "$root/contamination.table" \
--tumor-segmentation "$root/segments.table" -O "$root/filtered.vcf.gz" \
> "$root/filter.log" 2>&1
test -s "$root/filtered.vcf.gz"
bcftools view -h "$root/filtered.vcf.gz" > "$root/header.txt"
配对映射先经项目清单及BAM读组检查,不能为了让normal-sample参数通过而改写SM掩盖身份问题。代码保存两份头部,要求每个读组有SM、每个BAM只含一个样本,正常SM与指定值一致且与肿瘤不同。这个检查验证标识合同,真实生物身份仍须由实验清单与独立样本核查确认。进程成功仅说明工具执行结束,仍需检查方向模型、污染及分段表是否有效,以及过滤输出的样本和区域。filtered VCF通常保留非PASS记录,不能把文件中所有变异都当通过过滤。
分区间时保留模型所需证据
正式分散计算应定义非重叠输出区域并处理边界,不能任意裁BAM后直接拼变异行。汇总VCF时还要用MergeMutectStats汇总对应.stats,全部区间F1R2输入同一方向模型,再按完整配对范围过滤。先在小范围比较完整与分散方案,避免漏区间、重复边界或混用不同参数。
同一配对的候选和过滤具有依赖;不同病例各用独立目录、日志与模型产物。某一分片失败应明确标记,不能只交已经结束的分片。追加区间、改变参考或方法后重新核对缓存,不把旧统计文件按文件名硬接到新VCF。
按阶段测资源并验收质量
记录候选、pileup、方向模型、污染与过滤的完整时间、作业RAM和临时盘。PairHMM线程只控制相关计算,不能当全部进程CPU硬上限;Java堆也不是总RSS。先跑代表配对,再做获配范围内的小并发,注意多个参考及数据库缓存和排序盘共用。
按病例核对覆盖、有效位点、污染估计、候选及PASS变异分布,并结合实验和独立证据。高PASS数量不等于高准确率。缺资源或配对证据时回到分析设计,不能补空表伪装污染为零;保留完整VCF、统计、模型及输入指纹后再进行队列比较。
需要额外算力时
适用前提:配对设计和必要参考已确认,队列计算超过当前吞吐量。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
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。咨询本任务的服务器配置
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。
