Skip to content

GATK4

Mark Renton 更新于: 2020-09-14

安装

1.采用 conda 安装

# 创建虚拟环境
$ conda create -n gatk4
$ conda activate gatk4

# 安装 gatk4
(gatk4)$ conda install gatk4

# 显示 gatk4 工具列表
(gatk4)$ gatk --list

# 查看二级命令的帮助内容，这里 TOOLS 为各个二级命令名称
(gatk4)$ gatk TOOLS --help

2.采用 docker 安装

这里使用官方镜像地址: https://hub.docker.com/r/broadinstitute/gatk/ 。

  1. 首先在 docker hub 注册一个账户，
  2. 在终端用docker login命令登录
# 使用注册的用户名
$ docker login -u your_username -p your_password
$ docker pull broadinstitute/gatk

# 以gatk为镜像，启动容器并进入容器的交互界面
$ docker run -it -rm broadinstitute/gatk bash
root@bb3d14c7da19:/gatk#

# 看到root@bb3d14c7da19:/gatk# 表示成功进入容器
# 参数含义
-i 交互界面操作
-t 终端中执行
--rm 表示推出容器后立即删除该容器，避免占据磁盘空间

# 查看二级命令的帮助内容，这里 TOOLS 为各个二级命令名称
root@bb3d14c7da19:/gatk# gatk TOOLS --help

# 如果你的docker没有启动，在Archlinux下可以systemctl启动
$ sudo systemctl start docker.service

# 如果出现该错误，因为使用了新的内核，重新启动即可
# failed to create endpoint on network bridge: failed to add the host sandbox pair interfaces operation not supported.

使用

1.GATK 工具

查看工具列表

$ gatk --list

GATK4的工具列表分类为：

  • Base Calling
    • CheckIlluminaDirectory:
    • CollectIlluminaBasecallingMetrics
    • CollectIlluminaLaneMetrics
    • ExtractIlluminaBarcodes
    • IlluminaBasecallsToFastq
    • IlluminaBasecallsToSam
    • MarkIlluminaAdapters
  • Copy Number Variant Discovery
  • Coverage Analysis
  • Diagnostics and Quality Control
  • Genotyping Arrays Manipulation
  • Intervals Manipulation
  • Metagenomics
  • Methylation-Specific Tools
  • Other
  • Read Data Manipulation
  • Reference
  • Short Variant Discovery
  • Structural Variant Discovery
  • Variant Evaluation and Refinement
  • Variant Filtering
    • FixVcfHeader
    • GatherVcfs
    • GatherVcfsCloud
    • LeftAlignAndTrimVariants
    • LiftoverVcf
    • MakeSitesOnlyVcf
    • MakeVcfSampleNameMap
    • MergeVcfs
    • PrintVariantsSpark
    • RemoveNearbyIndels
    • RenameSampleInVcf
    • SelectVariants
    • SortVcf
    • SplitVcfs
    • UpdateVCFSequenceDictionary
    • UpdateVcfSequenceDictionary
    • VariantAnnotator
    • VcfFormatConverter
    • VcfToIntervalList

2.突变位点分析流程

这里以副溶血性弧菌为例，参考基因组为RMID2210633

# 弧菌有2个环状染色体，这里将 RMID 2210633 的2条染色体序列分别构建索引
# 也可以单独一个fasta格式基因组序列构建索引
$ samtools faidx NC_004603.fna
$ samtools faidx NC_004605.fna

# 用bwa参考基因组构建索引
$ bwa index NC_004603.fna
$ bwa mem -t 4 -R '@RG\tID:test\tSM:RMID2210633' NC_004603.fna \
> SRR8535443_1.fastq.gz SRR8535443_2.fastq.gz | samtools view -bS > SRR8535443_chr1.bam
$ samtools sort -@4 -o SRR8535443_chr1_sorted.bam SRR8535443_chr1.bam

# 去除光学重复序列
$ gatk MarkDuplicates -I SRR8535443_chr1_sorted.bam \
> -O SRR8535443_chr1_sorted_markdup.bam \
> -M SRR8535443_chr1_sorted_markdup-metrics.txt

# bam文件建立索引
$ samtool index SRR8535443_chr1_sorted_markdup.bam

# gatk 对参考序列生成 .dict 文件
$ gatk CreateSequenceDictionary -R NC_004603.fna

$ gatk HaplotypeCaller -R NC_004603.fna --emit-ref-confidence GVCF \
> -I SRR8535443_chr1_sorted_markdup.bam \
> -O SRR8535443_chr1.gvcf

$ gatk GenotypeGVCFs -R NC_004603.fna \
> -V SRR8535443_chr1.gvcf
> -O SRR8535443_chr1.vcf

注意事项

gatk4 默认流程call的 SNP 数量比freebayes、snippy要更多。主要原因是freebayes把许多4个长度碱基¼位置变化的序列作为重组complex而不是snp，而gatk则作为snp处理。另外gatk使用的reads数跟多，可以call出头尾和一些低覆盖度的区域。但是gatk会有一些无覆盖区域的snps出现，需要进一步研究是什么原因造成的。如果无法消除，则gatk可能不适合作为微生物的snp calling工具。