
批量覆盖质控要先统一统计口径。全基因组平均深度、每个目标区间平均深度和达到20X的目标碱基比例回答不同问题。本文以坐标排序的人类WES BAM为例,使用一份已核对、排序且互不重叠的target BED;通过mosdepth输出区域和阈值结果,再按长度加权汇总。若BED区间重叠,先按项目规则处理,否则重叠碱基会重复计入分母。
| 项目 | 做法 | 注意 |
|---|---|---|
| 样本清单 | 唯一ID与BAM绝对路径 | 避免同名目录覆盖 |
| 区域 | 固定排序、不重叠target BED | 核对参考与坐标 |
| 指标 | 均值、区域阈值数、加权比例 | 不要相互替代 |
| 线程 | mosdepth解压线程 | 不等于整机并发额度 |
按相同口径运行样本
samples.tsv无表头,两列TAB分隔。先填写TARGETS和THREADS环境变量,在一个工作目录运行。下面使用10、20、30倍阈值并关闭逐碱基输出;MAPQ及排除标记沿用项目固定规则,若需修改应记录并建立新批次。需处理CRAM时按官方说明提供匹配参考。
set -euo pipefail
: "${TARGETS:?设置核对过的target BED}"
: "${THREADS:?设置获配线程数}"
case "$THREADS" in ""|*[!0-9]*) exit 2;; esac
test "$THREADS" -ge 1
test -s "$TARGETS" && test -s samples.tsv
mkdir depth-batch-001
root="$PWD/depth-batch-001"
mosdepth --version > "$root/version.txt" 2>&1
completed=0
while IFS=$' ' read -r sample bam || [[ -n "$sample$bam" ]]; do
case "$sample" in ""|*[!A-Za-z0-9_-]*) exit 2;; esac
test -s "$bam"; mkdir "$root/$sample"
samtools quickcheck "$bam"
sha256sum "$bam" "$TARGETS" > "$root/$sample/inputs.sha256"
/usr/bin/time -v -o "$root/$sample/resources.txt" mosdepth --threads "$THREADS" --by "$TARGETS" --thresholds 10,20,30 --no-per-base "$root/$sample/depth" "$bam" > "$root/$sample/run.log" 2>&1
for suffix in mosdepth.summary.txt regions.bed.gz thresholds.bed.gz; do test -s "$root/$sample/depth.$suffix"; done
completed=$((completed+1))
done < samples.tsv
test "$completed" -gt 0
用区间长度计算整体达标比例
mosdepth.summary.txt给出染色体和全局汇总,regions.bed.gz对应各目标区域的平均深度,thresholds.bed.gz记录每个目标达到阈值的碱基数。汇总全项目比例应使用最后一项,并以相同的target总长度作为分母。其他阈值可另行计算并分别标注,保存计算记录便于查验。
阈值文件每行提供目标区间在指定深度以上的碱基数。下面汇总器要求目标有序且不重叠,并计算20X碱基总数除以靶区总长度;它不是“平均深度超过20X的区间比例”。例如两个区间长度分别为10和30 bp,达到20X的碱基数分别为5和15,则合计比例是20/40=50%;直接平均两个区间比例会得到75%,口径就错了。所有样本必须已有完整输出,结果文件以独占方式创建,避免覆盖旧批次。
import csv, gzip
from pathlib import Path
with open("samples.tsv", newline="") as f:
plan = list(csv.reader(f, delimiter="\t"))
assert plan and all(len(row) == 2 for row in plan)
assert len({row[0] for row in plan}) == len(plan)
results = []
for sample, _ in plan:
path = Path("depth-batch-001") / sample / "depth.thresholds.bed.gz"
total = covered = 0; ends = {}
with gzip.open(path, "rt") as f:
rows = csv.reader(f, delimiter="\t"); header = next(rows); ix = header.index("20X")
for row in rows:
chrom, start, end, count = row[0], int(row[1]), int(row[2]), int(row[ix])
assert end > start >= 0 and 0 <= count <= end-start
assert start >= ends.get(chrom, 0), "overlapping/unsorted targets"
ends[chrom] = end; total += end-start; covered += count
assert total > 0
results.append([sample, total, covered, covered/total])
with open("depth-qc.csv", "x", newline="") as f:
w = csv.writer(f); w.writerow(["sample","target_bases","bases_ge20","fraction_ge20"]); w.writerows(results)
解释异常并安排并发
先确认summary、regions和thresholds文件都来自本次运行;quickcheck只检查BAM基本结构,不验证样本身份、参考是否匹配或科学结果合理。若某样本20X比例低,检查测序量、比对、捕获区和过滤口径;若全批一起偏低,先复查BED、坐标、参考及参数。均值高不能证明每个目标都覆盖充分,建议保留区域结果定位低覆盖缺口。需要比较样本时确认它们使用同一组目标、同一阈值和同一过滤设置;目标有变更就分组汇报,不把缺失区间当成零覆盖悄悄合并。
记录样本ID、输入散列、BED散列、mosdepth版本、线程、过滤参数、运行时间、峰值资源及结果状态。先做串行基线再测少量并发;线程主要控制BAM解压,实际加速还受I/O和样本大小影响。失败保留日志并用新目录重跑,同时区分BAM读取、磁盘不足、线程配置和目标文件问题;汇总器拒绝重复ID、重叠区域及缺失输出,避免旧结果混入。报告比例时同时提供达标碱基数和靶区总长度,方便复核分子、分母及批次差异。
下载练习材料
先核对包内SHA256清单,再在独立目录复现。
需要额外算力时
适用前提:单样本结果验证通过,队列质控需要额外吞吐量。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。
