胚系变异与联合分型#

haplotyper#

胚系 SNP 和 indel 检测（GATK HaplotypeCaller），输出 VCF 或 gVCF。默认复现 GATK 4.6.2.0，--gatk-version 可选择其他版本；输出与对应版本的 HaplotypeCaller 逐条记录相同，表头除 ##GATKCommandLine 外逐行相同。GPU 版加 --device gpu 在 GPU 上计算，输出与 CPU 逐字节相同。

baizegen haplotyper -R REFERENCE -I DEDUPED_BAM -O OUTPUT [选项]

必需参数#

常用参数#

gVCF 输出#

组装与似然参数#

复现指定的 GATK 版本与运行环境#

用法见复现已有的 GATK 结果。

诊断与兼容参数#

以下参数为兼容 GATK 的命令行而保留，接受但不起作用（不影响结果），一般不需要设置。

combinegvcfs#

把多个 gVCF 合并为一个多样本 gVCF（GATK CombineGVCFs 4.6.2.0）。输出与 GATK 逐条记录相同，表头除 ##GATKCommandLine 外也相同。可以在同一次运行中完成联合分型（--genotype-out）。

baizegen combinegvcfs -R REFERENCE -V A.g.vcf.gz [-V B.g.vcf.gz ...] -O COHORT.g.vcf.gz [选项]

--ignore-variants-starting-outside-interval、--disable-sequence-dictionary-validation、--allow-old-rms-mapping-quality-annotation-data 后面可以跟 true / false（GATK 写法），不跟时等于 true。

输入中表头没有声明的 INFO 字段（例如某些 gVCF 中未声明的 ClippingRankSum）按 GATK --lenient 的方式处理：合并结果和 --genotype-out 的 VCF 中照样带上，表头不补声明。GATK 不加 --lenient 时会在第一条这样的记录处退出。

中途出错后继续运行#

大队列的合并往往要跑数小时。加上 --resume 后，中途出错不必从头再跑。--resume 从下一个发布包起提供。

• 写检查点：每当一条染色体全部写完，且距上一个检查点已超过约 10 分钟，就在 <输出名>.resume/ 目录中记一个检查点。间隔可以用环境变量 BG_COMBINE_RESUME_EVERY_S（秒）调整。
• 失败时：运行失败或进程被杀死时，以下内容都会保留，不会删除：
  • <输出名>.partial；
  • --genotype-out 的 .partial；
  • 检查点目录。
• 续跑：用同一条命令（同样带 --resume）再运行一次，就从最后一个检查点所在的染色体接着跑。成功结束后，检查点目录自动删除。
• 检查点作废：输入文件、参考基因组、影响输出内容的参数或程序本身有变化时，检查点作废，程序给出警告后从头运行。-t、--device、--gpus 可以改。
• 结果：续跑得到的 gVCF、VCF 和两个索引，与不中断、一次跑完的结果逐字节相同。
  • 例外：--device gpu 显存不够、部分分片转到 CPU 上处理时，哪些块由 GPU 压缩取决于运行时的时机。这种情况下，即使不中断，两次运行的压缩字节和索引也可能不同，但解压后的内容相同。
  • 带 --resume 时，VCF 的压缩块在每条染色体结尾处断开。因此它与不带 --resume 的 VCF 字节不同，但解压后的内容相同。
  • gVCF 不受影响。

检查点只写在染色体起点。中断后需要重算的，是最后一个检查点之后的部分，最多约为一条染色体加上一个检查点间隔的工作量。

下列情况不写检查点（给出警告，照常运行）： - 单线程 CPU 运行（-t 1 且不用 GPU）； - 输出不是 .gz； - 带 -L / -XL； - --genotype-out 不是 .vcf.gz； - 某个输入不是 BGZF 压缩，或没有索引。续跑时要靠输入的索引找到接着读的位置。

暂不支持：--call-genotypes。不支持（给出时报错退出，合并时总是使用 GATK 的默认注释）：--input-is-somatic、--drop-somatic-filtering-annotations、注释相关参数（-A, --annotation、-G, --annotation-group、-AX, --annotations-to-exclude）。

gvcftyper#

对 gVCF 做联合分型，输出 VCF（GATK GenotypeGVCFs 4.6.2.0），输出与 GATK 逐条记录相同；-t N 的输出与 -t 1 逐字节相同。

baizegen gvcftyper -r REFERENCE -v INPUT.g.vcf.gz -O OUTPUT.vcf.gz [选项]

--merge-input-intervals、--only-output-calls-starting-in-intervals、--allow-old-rms-mapping-quality-annotation-data 后面可以跟 true / false（GATK 写法），不跟时等于 true。

输出中样本按名称排序，与 GenotypeGVCFs 相同。

输入中表头没有声明的 INFO 字段按 GenotypeGVCFs --lenient 的方式带到输出中（表头不补声明）；GATK 不加 --lenient 时会在第一条这样的记录处退出。输出为 .bcf 时无法写入这类字段，会丢弃并给出警告。

等位基因超过 50 个（参考等位基因和 * 都计入）的位点与 GenotypeGVCFs 一样不分型、不输出；combinegvcfs --genotype-out 相同。

诊断与兼容参数#

-t N（N ≥ 2）时的分区参数，不影响输出，一般不需要设置。

variantfiltration#

按 JEXL 表达式、SNP 聚集和区间掩码给变异记录加 FILTER 标记（GATK VariantFiltration 4.6.2.0；下一个发布包起提供），输出与 GATK 逐条记录相同（表头除 ##GATKCommandLine 外逐行相同），参数名与 GATK 相同，流程中可以直接替换。

baizegen variantfiltration -V INPUT.vcf.gz -O OUTPUT.vcf.gz \
    -filter "QD < 2.0" --filter-name QD2 -filter "FS > 60.0" --filter-name FS60 -filter "MQ < 40.0" --filter-name MQ40

开关类参数后面可以跟 true / false（GATK 写法），不跟时等于 true。

JEXL 表达式的取值和比较方式与 GATK 完全一致，有两点容易出乎意料：

• 整数常量：QD < 2 会让 GATK 本身报错退出（GATK 按整数解析 25.36 这样的小数注释，NumberFormatException），variantfiltration 也在同一处报错退出。小数注释请写成 QD < 2.0。
• 组合表达式中的缺失注释：QD < 2.0 || MQRankSum < -12.5 在没有 MQRankSum 的记录上整体算作"缺失"，默认不加 FILTER，即使 QD < 2.0 成立。需要分别判断时，把条件拆成多个 -filter（每个配自己的 --filter-name），这也是 GATK 推荐的写法。注释值为 .（例如 QD=.）时 GATK 同样报错退出。

可以使用的写法：注释名（INFO 中的键）、QUAL、CHROM、POS、TYPE（SNP、INDEL、MIXED、MNP、SYMBOLIC、NO_VARIATION）、FILTER、FILTER 中已有的名字、N_ALLELES、ALLELES；比较 < <= > >= == !=（也可写作 lt le gt ge eq ne）、=~（正则匹配）、&& || !（and or not）、算术 + - * / %、empty()、size()，以及 vc.isSNP()、vc.isIndel()、vc.getAttributeAsDouble("QD", 0.0) 等记录方法。超出这些的写法（赋值、函数、构造等）启动即报错（退出码 2），不会按近似方式运行。

输出中每条记录与 GATK 的写法相同：FILTER 中的名字按字母排序，没有任何 FILTER 时写 PASS（加 --invalidate-previous-filters 且没有新 FILTER 时写 .）；INFO 按键排序；QUAL 保留两位小数（整数时去掉 .00）。由 GATK 产生的 VCF，除 FILTER 外其他列不变。

使用基因型过滤、--set-filtered-genotype-to-no-call，或表达式用到 homRefCount、hetCount、homVarCount 时，样本列与 GATK 一样按标准写法重写：FORMAT 中的键 GT 在前、其余按字母排序，各样本末尾缺失的字段省略，记录中有样本带 FT 时其余样本写 PASS。表头中标准字段（如 AD、PL、FT、AC、AF、DP）的 Number 或 Type 与标准不同时，与 GATK 一样替换为标准定义。

尚不支持（启动即报错）：--apply-allele-specific-filters。输入表头中没有声明的 INFO 字段与 GATK 一样报错退出。GATK 要求输入和 --mask 带索引才能使用聚集过滤和掩码，variantfiltration 不要求。

selectvariants#

按变异类型、表达式、样本等条件选取记录（GATK SelectVariants 4.6.2.0；下一个发布包起提供），输出与 GATK 逐条记录相同（表头除 ##GATKCommandLine 外逐行相同），参数名与 GATK 相同。

# 只要 SNP；只要某个样本、并去掉该样本中没有变异的位点
baizegen selectvariants -V cohort.vcf.gz -select-type SNP -O snps.vcf.gz
baizegen selectvariants -V cohort.vcf.gz -sn NA12878 --exclude-non-variants --remove-unused-alternates -O NA12878.vcf.gz

-sn、-xl-sn、-ids、-xl-ids、-DA、-DGA 的值可以是以 .list 或 .args 结尾的文件，每行一个。

与 GATK 相同的细节：输出中的样本按名称排序；表头中同一类型的说明行（如多个 ##source）只保留排序最前的一行，再加 ##source=SelectVariants；AC、AF、AN、DP 的表头说明替换为标准写法；contig 行按序列字典重写（只保留 ID 和长度）。-select 表达式中出现 JEXL 错误（例如把多等位位点的 AC 列表与数字比较）时，与 GATK 一样报错退出，而不是像 variantfiltration 那样当作缺失值。

尚不支持（启动即报错）：-disc, --discordance、-conc, --concordance、-mv, --mendelian-violation、--invert-mendelian-violation、-ped, --pedigree、-fraction, --select-random-fraction、--remove-fraction-genotypes、--fully-decode。