WDL (一个workflow description language)+ Cromwell(an execution engine that can run WDL scripts)是目前可以更好使用GATK的一套工具。这里学习wdl的快速入门教程。
WDL是一种流程编写语言,没有太多复杂的逻辑和语法,入门简单。首先看一个hello world的例子
workflow myWorkflow {
call myTask
}
task myTask {
command {
echo "hello world"
}
output {
String out = read_string(stdout())
}
}
对于一个WDL脚本而言,有以下5个核心结构
-
workflow
-
task
-
call
-
command
-
output
每个脚本包含1个workflow, workflow由多个task构成。 在workflow中,通过call调用对应的task。每个task在workflow代码块之外单独定义。
task代表任务,读取输入文件,执行相应命令,然后输出。command中对应的就是执行的命令,比如一条具体的gatk的命令,output 指定task的输出值。可以将task理解为编程语言中的函数,每个函数读取输入的参数,执行代码,然后返回,command对应执行的具体代码,output对应返回值。
基础结构
- 顶层组件: workflow, task and call
workflow在顶层,用calls去执行tasks。tasks在workflow模块外被定义。
workflow myWorkFlowName {
call task_A
call task_B
}
task task_A{...}
task task_B{...}
- 核心任务级别的组件: command and output
task的核心成分:command被运行,output明确指出哪一部分命令组成了输出。
task task_A {
command {...}
output {...}
}
-
添加变量
有2种不同层次的variables,一种存在于task,一种存在于整个workflow。variable也可以从一个task传递到下一个task。 -
Adding task-level variables
下面,task 有3个输入的参数,文件类型的ref,in 和字符串类型的id。 在command中,通过${ref}这种格式访问变量的值
task task_A {
File ref
File in
String id
command {
do_stuff R=${ref} I=${in} O=${id}.ext
}
output {
File out="${id}.ext"
}
}
- Adding workflow-level variables
下面, workflow 有3个参数,文件类型的my_ref,my_input 和字符串类型的name。传递这3个参数给task时,直接传变量名就可以了。
workflow myWorkflowName {
File my_ref
File my_input
String name
call task_A {
input: ref=my_ref, in=my_input, id=name
}
call task_B {
input: ref=my_ref, in=task_A.out
}
}
task task_A{...}
task task_B{...}
添加管道
- 前一个task的输出,作为后一个task的输入
workflow LinearChain {
File firstInput
call stepA { input: in=firstInput }
call stepB { input: in=stepA.out }
call stepC { input: in=stepB.out }
}
task stepA {
File in
command { programA I=${in} O=outputA.ext }
output { File out = "outputA.ext" }
}
task stepB {
File in
command { programB I=${in} O=outputB.ext }
output { File out = "outputB.ext" }
}
task stepC {
File in
command { programC I=${in} O=outputC.ext }
output { File out = "outputC.ext" }
- 一个task的多个输出作为下一个task的输入
workflow MultiOutMultiIn {
File firstInput
call stepA { input: in=firstInput }
call stepB { input: in=stepA.out }
call stepC { input: in1=stepB.out1, in2=stepB.out2 }
}
task stepA {
File in
command { programA I=${in} O=outputA.ext }
output { File out = "outputA.ext" }
}
task stepB {
File in
command { programB I=${in} O1=outputB1.ext O2=outputB2.ext }
output {
File out1 = "outputB1.ext"
File out2 = "outputB2.ext" }
}
task stepC {
File in1
File in2
command { programB I1=${in1} I2=${in2} O=outputC.ext }
output { File out = "outputC.ext" }
}
- 多对多的依赖关系
一个task的输出作为多个task的输入,或者多个task的输出作为1个task的输入
workflow BranchAndMerge {
File firstInput
call stepA { input: in=firstInput }
call stepB { input: in=stepA.out }
call stepC { input: in=stepA.out }
call stepD { input: in1=stepC.out, in2=stepB.out }
}
task stepA {
File in
command { programA I=${in} O=outputA.ext }
output { File out = "outputA.ext" }
}
task stepB {
File in
command { programB I=${in} O=outputB.ext }
output { File out = "outputB.ext" }
}
task stepC {
File in
command { programC I=${in} O=outputC.ext }
output { File out = "outputC.ext" }
}
task stepD {
File in1
File in2
command { programD I1=${in1} I2=${in2} O=outputD.ext }
output { File out = "outputD.ext" }
}
- 平行关系
多个task之间完全平行,可以并行执行
Parallelism即平行可以使得任务更快,而非顺序进行。我们使用了基于WDL standard library的scatter,会产生可平行的任务(成为一列Input,array),并且会输出结果(也是array)。Scatter这个过程是外显的(explicit),而gather这个过程是不外显的(implicit)。
workflow ScatterGather {
Array[File] inputFiles
scatter (oneFile in inputFiles) {
call stepA { input: in=oneFile }
}
call stepB { input: files=stepA.out }
}
task stepA {
File in
command { programA I=${in} O=outputA.ext }
output { File out = "outputA.ext" }
}
task stepB {
Array[File] files
command { programB I=${files} O=outputB.ext }
output { File out = "outputB.ext" }
}
- 任务混叠
task和函数还是有一定的区别,函数可以在代码中多次调用,但是task多次调用会有风险。下面的示意图中,stepA 运行两次,一次作为stepB的输入,一次作为stepC的输入。如果stepA的两次调用并行执行,当执行完之后,在传递给下一个task时,由于存在两个同名的stepA, stepB和stepC 就会无法正确接受参数。
WDL中提供了解决方案,叫做task alias, 为task起一个别名,示例如下
workflow taskAlias {
File firstInput
File secondInput
call stepA as firstSample { input: in=firstInput }
call stepA as secondSample { input: in=secondInput }
call stepB { input: in=firstSample.out }
call stepC { input: in=secondSample.out }
}
task stepA {
File in
command { programA I=${in} O=outputA.ext }
output { File out = "outputA.ext" }
}
task stepB {
File in
command { programB I=${in} O=outputB.ext }
output { File out = "outputB.ext" }
}
task stepC {
File in
command { programC I=${in} O=outputC.ext }
output { File out = "outputC.ext" }
}
在WDL脚本中, 理论上每个task 只可以调用1次,如果希望多次调用,必须借助task alias。
运行脚本
掌握以上几点,就可以理解一个wdl脚本的整体框架了。在实际使用中,我们只要能理解整个workflow的流向,会使用wdl脚本就可以了。
运行wdl脚本,需要两个文件
- cromwell.jar
- womtools.jar
最新版的下载链接如下:
https://github.com/broadinstitute/cromwell/releases
第一步是得到输入参数的列表,用法如下
java -jar womtools.jar inputs myWorkflow.wdl > myWorkflow_inputs.json
用json格式存存储,这一步得到的只是一个模板,需要编辑这个文件,将对应的参数替换成实际的参数
第二步运行脚本,用法如下
java -jar Cromwell.jar run myWorkflow.wdl -i myWorkflow_inputs.json
总结
WDL是一种流程管理语言,语法简单,内置的支持并行等特征,适合编写pipeline。
运行wdl脚本只需两步,第一步编辑参数列表对应的json文件,第二步直接运行即可。