BQSR、重比对与质控#
bqsr#
统计碱基质量校正表（GATK BaseRecalibrator）。输出的 GATKReport 校正表与 GATK 逐字节相同，与线程数无关。
baizegen bqsr -I DEDUPED_BAM -R REFERENCE -k KNOWN_SITES [-k KNOWN_SITES2 ...] -O RECAL_TABLE [-t NUMBER_THREADS]
| 参数 | 说明 | 默认 |
|---|---|---|
-I, --input FILE |
按坐标排序的 BAM / CRAM。必需 | |
-R, --reference FILE |
参考基因组 FASTA（需要 .fai）。必需 |
|
-k, --known-sites FILE |
已知变异位点 VCF，可重复，至少一个。必需 | |
-O, --output FILE |
输出的校正表。必需 | |
-t, --threads N |
线程数 | 1 |
环境变量（均不改变结果）：BQSR_NUMA=1 在多路 CPU 服务器上把工作线程和统计表绑定到 NUMA 节点（约快 15%）。
在 fastq2bam 中加 --recal-table 可以在生成 BAM 的同时得到同样的校正表，见 fastq2bam。
applybqsr#
按校正表校正碱基质量，写出新的 BAM（GATK ApplyBQSR），输出与线程数无关。也可以不生成新 BAM，而在 haplotyper 中用 -q 即时校正。
baizegen applybqsr -I DEDUPED_BAM -q RECAL_TABLE -O RECALED_BAM [-R REFERENCE] [-t NUMBER_THREADS]
| 参数 | 说明 | 默认 |
|---|---|---|
-I, --input FILE |
输入 BAM / CRAM。必需 | |
-q, --bqsr-recal-file FILE |
校正表（baizegen bqsr 或 GATK BaseRecalibrator 的输出）。必需 |
|
-O, --output FILE |
输出 BAM。必需 | |
-R, --reference FILE |
解码 CRAM 输入用的参考基因组 | CRAM 头中的 UR |
-t, --threads N |
校正与 BGZF 压缩 / 解压的线程数 | 1 |
暂不支持的 GATK 参数：--quantize-quals、--static-quantized-quals、--round-down-quantized、--emit-original-quals、--use-original-qualities / -OQ、--global-qscore-prior。
realign#
在一次运行中完成 GATK 3.8-1 的 RealignerTargetCreator 和 IndelRealigner（indel 局部重比对）。目标区间和输出 BAM 的每条记录（内容和顺序）都与 GATK 3.8-1 相同。
baizegen realign -I DEDUPED_BAM -R REFERENCE -O REALIGNED_BAM [--known-indels KNOWN_INDELS ...] [选项]
| 参数 | 说明 | 默认 |
|---|---|---|
-I FILE |
按坐标排序、已标记重复的 BAM / CRAM。必需。有 .bai 时按 GATK 的方式划分处理区段 |
|
-R FILE |
参考基因组 FASTA（需要 .fai）。必需 |
|
-O FILE |
输出 BAM（带索引）。必需 | |
--known-indels FILE（也可写作 --known） |
已知 indel VCF（GATK 的 -known），可重复，需 tabix 索引 |
|
--targets-out FILE |
同时写出 RealignerTargetCreator 的目标区间文件 | |
-L CONTIG[,CONTIG...] |
两个工具的 -L，按染色体限定，需要输入有索引 |
全部 |
--knowns-only |
--consensusDeterminationModel KNOWNS_ONLY |
USE_READS |
--lod X |
-LOD |
5.0 |
--entropy X |
--entropyThreshold |
0.15 |
--max-reads N |
--maxReadsForRealignment |
20000 |
--max-reads-in-memory N |
--maxReadsInMemory |
150000 |
--max-isize N |
--maxIsizeForMovement |
3000 |
--max-pos-move N |
--maxPositionalMoveAllowed |
200 |
--no-original-tags |
--noOriginalAlignmentTags |
关闭 |
--window-size N |
RealignerTargetCreator 的 --windowSize |
10 |
--max-interval-size N |
RealignerTargetCreator 的 --maxIntervalSize |
500 |
-t, --threads N |
同时处理的区段数和 BGZF 线程数 | 4 |
qcmetrics#
对按坐标排序、已标记重复的 BAM / CRAM 一次遍历，计算标准质控指标。每个文件的内容与 --gatk-version 所选 GATK 版本自带的 Picard / GATK（默认参数）逐字节相同。
baizegen qcmetrics -I DEDUPED_BAM -R REFERENCE -O PREFIX [选项]
输出文件：
| 文件 | 对应工具 |
|---|---|
PREFIX.alignment_summary_metrics |
CollectAlignmentSummaryMetrics |
PREFIX.quality_yield_metrics |
CollectQualityYieldMetrics |
PREFIX.insert_size_metrics |
CollectInsertSizeMetrics（双端数据） |
PREFIX.wgs_metrics |
CollectWgsMetrics |
PREFIX.duplicate_metrics |
CollectDuplicateMetrics（按重复标记统计的 DuplicationMetrics） |
PREFIX_depth.sample_summary、PREFIX_depth.sample_cumulative_coverage_counts |
GATK DepthOfCoverage（样本分组） |
PREFIX.qc_summary_metrics |
BaizeGen 汇总表：比对 / primary / 去重后 / 高 MAPQ 的 reads 数和碱基数 |
PREFIX.flagstat |
samtools flagstat（默认输出） |
PREFIX.hs_metrics |
CollectHsMetrics（给出 bait / target 区间时） |
PREFIX.flank.interval_list |
flank 区：bait 两侧各扩展 --flank，去掉 bait 本身 |
PREFIX.flank_wgs_metrics |
以 flank 区为 INTERVALS 的 CollectWgsMetrics（汇总表中 FLANKING_* 的来源） |
| 参数 | 说明 | 默认 |
|---|---|---|
-I, --input FILE |
按坐标排序、已标记重复的 BAM / CRAM。DepthOfCoverage 只统计读组带 SM 的 reads。必需 |
|
-R, --reference FILE |
参考基因组 FASTA（需要 .fai）。必需 |
|
-O, --output PREFIX |
输出文件前缀。必需 | |
-t, --threads N |
线程数 | 1 |
--gatk-version V |
遵循的 GATK 版本（其 Picard / htsjdk / DepthOfCoverage），可选版本同 haplotyper |
4.6.2.0 |
--samtools-version V |
flagstat 遵循的 samtools 版本，1.10–1.25（1.13 之前没有 primary 相关的行） | 1.25 |
--summary-coverage-threshold N |
DepthOfCoverage 的覆盖度阈值，可重复 | 15 |
--start N、--stop N、--nBins N |
DepthOfCoverage 的分箱 | 1、500、499 |
-L, --intervals STR |
DepthOfCoverage 的统计区域：contig 或 contig:start-end，可重复 |
全部染色体 |
--high-mapq N |
汇总表中“高 MAPQ”的阈值 | 4 |
--fastp-json FILE |
这批 reads 的 fastp JSON 报告：汇总表中 RAW_READS … PCT_N_BASES 取自该报告 | |
--bait-intervals FILE、--target-intervals FILE |
CollectHsMetrics 的 BAIT_INTERVALS / TARGET_INTERVALS，可重复，两者需同时给出；Picard interval_list，或 BED 文件（按 BedToIntervalList 的方式转换） | |
--bait-set-name NAME |
CollectHsMetrics 的 BAIT_SET_NAME | bait 文件名第一个 . 之前的部分 |
--flank N |
flank 区的扩展长度 | 100 |
--wgs-coverage-cap N、--wgs-locus-accumulation-cap N |
CollectWgsMetrics 的 COVERAGE_CAP、LOCUS_ACCUMULATION_CAP（后者小于前者时与 Picard 一样提高到前者） | 250、100000 |