GATK
(Genome Analysis Toolkit)是一个强大的软件工具集,用于分析高通量测序数据。它由Broad Institute开发,广泛应用于基因组变异发现、基因表达分析和变异注释等任务。GATK
的工具通常以命令行形式运行,具有大量的参数来定制分析流程。
下面是一些GATK
工具的用法和常用参数,但请注意,这里只列出了部分工具和参数。GATK
不断更新,因此请参考官方文档以获取最新信息。
GATK BaseRecalibrator
用于碱基质量分数校正。
用法:
gatk BaseRecalibrator \
-R reference.fasta \
-I input.bam \
--known-sites dbsnp.vcf.gz \
-O recal_data.table
常用参数:
-R
:参考基因组文件。-I
:输入BAM文件。--known-sites
:已知变异位点VCF文件。-O
:输出校正表文件。
GATK ApplyBQSR
应用碱基质量分数校正。
用法:
gatk ApplyBQSR \
-R reference.fasta \
-I input.bam \
-bqsr recal_data.table \
-O output.bam
常用参数:
-R
:参考基因组文件。-I
:输入BAM文件。-bqsr
:输入校正表文件。-O
:输出校正后的BAM文件。
GATK HaplotypeCaller
用于变异发现。
用法:
gatk HaplotypeCaller \
-R reference.fasta \
-I input.bam \
-O output.vcf.gz \
-L intervals.list
常用参数:
-R
:参考基因组文件。-I
:输入BAM文件。-O
:输出VCF文件。-L
:要分析的基因组区域列表。
GATK GenotypeGVCFs
用于合并GVCF文件并进行基因分型。
用法:
gatk GenotypeGVCFs \
-R reference.fasta \
-V gvcf1.vcf.gz \
-V gvcf2.vcf.gz \
-O output.vcf.gz
常用参数:
-R
:参考基因组文件。-V
:输入GVCF文件(可以指定多个)。-O
:输出VCF文件。
GATK SelectVariants
用于选择或排除特定类型的变异。
用法:
gatk SelectVariants \
-R reference.fasta \
-V input.vcf.gz \
-O output.vcf.gz \
--select-type-to-include SNP
常用参数:
-R
:参考基因组文件。-V
:输入VCF文件。-O
:输出VCF文件。--select-type-to-include
:要包含的变异类型。
GATK VariantFiltration
用于过滤VCF文件中的变异。
用法:
gatk VariantFiltration \
-R reference.fasta \
-V input.vcf.gz \
-O output.vcf.gz \
--filter-expression "QUAL < 30.0" \
--filter-name "LowQual"
常用参数:
-R
:参考基因组文件。-V
:输入VCF文件。-O
:输出VCF文件。--filter-expression
:过滤表达式。--filter-name
:过滤器的名称。
GATK MarkDuplicates
用于识别和标记比对文件中的重复读段。
用法:
gatk MarkDuplicates \
-I input.bam \
-O output.marked.bam \
-M metrics.txt \
--REMOVE_DUPLICATES \
--ASSUME_SORT_ORDER coordinate
常用参数:
-
-I <input.bam>
或--input <input.bam>
:- 指定输入的BAM或CRAM文件。
-
-O <output.bam>
或--output <output.bam>
:- 指定输出文件的名称,该文件将包含标记重复后的读段。
-
-M <metrics_file>
或--METRICS_FILE <metrics_file>
:- 指定一个文件来保存关于重复读段的度量信息。
-
--ASSUME_SORT_ORDER <type>
:- 指定输入文件的排序顺序。有效值包括
unsorted
、queryname
或coordinate
。如果未指定,则默认为coordinate
。
- 指定输入文件的排序顺序。有效值包括
-
--CREATE_INDEX
:- 创建输出文件的索引。
-
--REMOVE_DUPLICATES
:- 从输出文件中移除重复的读段。
-
--MAX_FILE_HANDLES_FOR_READ_ENDS_MAP <int>
:- 限制用于存储读段末尾信息的文件句柄数量。这有助于减少内存消耗,但可能会增加运行时间。
-
--OPTICAL_DUPLICATE_PIXEL_DISTANCE <int>
:- 设置用于识别光学重复的距离阈值(以像素为单位)。
-
--BARCODE_TAG <tag>
:- 指定用于识别分子标签的BAM标签。
-
--READ_NAME_REGEX <regex>
:- 指定一个正则表达式,用于从读段名称中提取分子标签。
-
--TAG_DUPLICATE_SET_MEMBERS
:- 在输出BAM文件的每个重复读段中添加一个标签,以指示该读段属于哪个重复集。
其他参数:
-
--QUIET
:- 静默模式,减少日志输出。
-
--VERBOSITY <level>
:- 设置日志的详细程度。有效值包括
ERROR
、WARNING
、INFO
、DEBUG
。
- 设置日志的详细程度。有效值包括
-
--help
或-h
:- 显示工具的帮助信息。
请注意,GATK
工具通常需要大量的计算资源和正确的输入数据格式。此外,参数和工具可能会随着版本的更新而发生变化。始终建议查阅官方文档和最佳实践指南来确保正确使用GATK
。