freebayes软件准确性验证

介绍下freebayes软件

FreeBayes是一种贝叶斯遗传变异检测器，设计用于发现小的多态性，特别是SNP（单核苷酸多态性），插入缺失（插入和缺失），MNP（多核苷酸多态性）和复杂事件（复合插入和替代事件） 短读序列比对的长度。
FreeBayes是基于单倍型的，在某种意义上，它基于与特定目标对齐的读取的字面序列调用变体，而不是它们的精确对齐。 该模型是基于比对检测或报告变体的先前概述（例如PolyBayes，samtools，GATK）。 该方法避免了基于比对的变体检测的核心问题之一 - 相同的序列可以具有多种可能的比对：
FreeBayes对来自群体和参考基因组（以FASTA格式）的任意数量的个体使用短读比对（具有Phred + 33编码质量评分的BAM文件，现在是标准的），以确定群体的最可能的基因型组合 参考中的每个位置。 它报告它在变体调用文件（VCF）格式中发现假定为多态的位置。 它还可以使用变体的输入集合（VCF）作为先验信息的来源，以及使用拷贝数变体图谱（BED）来定义分析中的样品的非均匀倍数变异。
以上来源于google对github上freebayes软件简介的翻译。
用我自己的话来说，freebayes是用来检测snp，indel的软件，是目前最准确的软件。

验证思路

freebayesCmp.png

总体分为图片上的几步，其中Bwa、create bam和sort bam使用了两个工具，bwa软件和samtools软件。网上学习下使用方法即可。
验证过程我主要做的是Mutation、Reads和compere三个步骤。依次解释下每个步骤。

Mutation 变异

根据已知的生物知识模拟DNA的变异，主要是SNP和Indel，并将模拟的结果保存，用于之后的比较。
要特殊注意的是，在模拟时不能将SNP和Ins（插入）位点选取在del（删减）区域内，原因是，即使发生了SNP和Ins但是这也是无法观察到的。

Reads 读取DNA序列

这一步我是根据Illumina的测序流程来进行模拟的，具体过程在前面的文章中。在这里我遇到的一个坑是，我要根据mutation文件来进行变异的操作，然后在操作过程中不能改变位点的位置，即发生del和ins时，后面的位点位置不能发生变化。起初我将DNA序列作为字符串处理，但这样进行del操作时，del位点之后的位置都会向前移，ins也同样，这样的话，结果就与mutation文件中的就完全不一样，没有任何价值。
纠正的方法是使用数组，将DNA序列作为数组处理。最后生成read文件。

Bwa、bam bwa比较和bam文件生产排序

这几步主要都由现有的软件来完成。
首先使用Bwa比对read与原始DNA的位置关系。
之后使用samtools软件生产bam文件并对bam文件的索引进行排序。

freebayes软件检测

使用freebayes软件很简单，输入原始的DNA序列和排序后的bam文件，即可得到检测结果。
输出的格式为vcf文件。

最后进行验证比较

这一步就是最后对freebayes软件进行验证了，主要是用正则提取出mutation文件和vcf文件中的SNP与Indel信息，统一两者的格式，同一位置发生同样的变异则算为检测成功。最后可以得到两个信息：覆盖度（所有真变异有多少被检测出来了）和准确度（所有检测到的变异有多少是正确的）。

最终结果

result.png

可以看到结果还是很不错的，能有90%以上。