云生信学生物信息学

WhatsHap批量定相:BAM与VCF配对、分染色体运行和验收

作者:发布于 2026-11-22更新于 2026-11-15约 7 分钟阅读
先对个体再做定相

先对个体再做定相:核RG与样本名;限定染色体范围;检查PS与相位块;独立任务再合并
本文操作与检查路径示意。

WhatsHap批量定相首先要保证BAM与VCF属于同一个个体、同一参考。长读长覆盖多个杂合位点才能提供相位联系,更多CPU不会补出缺失的信息。本例采用WhatsHap 2.8文档的普通二倍体read-based phase路线,不包含多倍体或家系模式。

把样本与染色体作为任务键

任务表至少包含样本、VCF、BAM、参考和染色体,并保存输入校验值。BAM的RG标签及头部SM必须对应真实VCF样本名;多条read group可属于同一样本。不要用ignore-read-groups掩盖混样或错误身份,它只在已确认单样本等相应条件下另行使用。

材料 核对项 不能替代为
VCF 样本名、变异、基因型与组装 另一个样本的候选位点结果
BAM 个体、RG/SM、参考与长读长质量 文件名相近就算配对
参考 序列与索引匹配 只看染色体名相同
任务 明确单样本单染色体 随意裁短重叠区段后拼相位

先提取范围,再执行定相

以下需要已安装WhatsHap、bcftools、samtools及HTSlib工具;参考和BAM索引也需有效。OUT必须新建。先把VCF限定到本样本和染色体,避免后续合并时重复包含其他染色体记录。脚本没有创建变异或重新分型,输入基因型应在上游验收。

set -euo pipefail
: "${SAMPLE:?填写VCF和BAM真实样本名}"
: "${CHR:?填写本次染色体名}"
: "${REF:?填写对应参考FASTA}"
: "${VCF:?填写已排序且索引有效的VCF.gz}"
: "${BAM:?填写同一样本长读长BAM}"
: "${OUT:?填写新目录}"
for file in "$REF" "$VCF" "$BAM"; do test -s "$file" || exit 2; done
test ! -e "$OUT" && test ! -L "$OUT" || exit 2
mkdir "$OUT"
whatshap --version > "$OUT/version.txt" 2>&1
samtools quickcheck "$BAM"
samtools view -H "$BAM" > "$OUT/bam-header.sam"
bcftools view -r "$CHR" -s "$SAMPLE" -Ov -o "$OUT/input.vcf" "$VCF"
test "$(bcftools query -l "$OUT/input.vcf")" = "$SAMPLE" || exit 2
bcftools view -H "$OUT/input.vcf" | awk 'END{exit !(NR>0)}'
/usr/bin/time -v -o "$OUT/resources.txt" \
  whatshap phase --reference "$REF" --sample "$SAMPLE" --chromosome "$CHR" \
  -o "$OUT/phased.vcf" "$OUT/input.vcf" "$BAM" > "$OUT/phase.log" 2>&1
test -s "$OUT/phased.vcf" || exit 1
whatshap stats --tsv "$OUT/stats.tsv" "$OUT/phased.vcf" > "$OUT/stats.log" 2>&1
test -s "$OUT/stats.tsv" || exit 1
test "$(bcftools view -H "$OUT/input.vcf" | wc -l)" = \
     "$(bcftools view -H "$OUT/phased.vcf" | wc -l)" || exit 1
bgzip -c "$OUT/phased.vcf" > "$OUT/phased.vcf.gz"
tabix -p vcf "$OUT/phased.vcf.gz"

查看相位块,而非只看VCF存在

核对输出样本、变异及等位基因身份,记录数一致只是基本检查;进一步检查GT中的竖线、PS及stats中的杂合位点、已定相位点和相位块长度。一个染色体可能有多个互不相连的块,块之间的父母来源并未自动确定。

定相比例或块N50较高不自动代表相位准确。需要时用可信家系、真值或独立数据评估切换错误,并检查局部异常覆盖。没有相位的位点不补造PS,低覆盖和缺乏跨位点读段应作为信息不足记录,而非一律归因于服务器。

分染色体扩展与资源记录

按既定染色体清单启动相同入口,每个样本—染色体用独立目录。合并前检查每个必要任务通过,按参考顺序组织互不重叠的记录,再用相应VCF工具合并与索引。不同区段的PS不能因号码相同就当成同一相位块,跨区域拼接需额外方法依据。

分别记录VCF提取、定相和压缩索引的时间与RAM。该phase示例没有任意填写的多线程参数,批量吞吐可通过独立样本或染色体任务测量;不要把增加外层并发说成单任务线性加速。大覆盖或复杂变异区域的开销也不能由一个小染色体保证。

找不到样本先查元数据与配对,参考不符先查组装和索引,输出不可索引先查顺序与格式。任务失败保留日志、新目录重试;更改变异过滤、read selection或合并读段策略会改变分析条件,需重新记录和验收。

首次抽查任务时,把一个杂合位点及覆盖它的读段定位到浏览器,核对样本和参考坐标;再选同一PS中的另一位点检查跨位点证据。这个抽查用于发现明显错配,不能替代全局相位错误评估。

需要额外算力时

适用前提:数据与工具适用性确认后,有超出现有资源的样本批量任务。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 ↗