GATK4流程学习之背景知识与前期准备

GATK4流程学习之背景知识与前期准备 -
GATK4流程学习之DNA-Seq variant calling(Germline：SNP+INDEL) -
GATK4流程学习之RNA-Seq variant calling(SNP+INDEL) -
补：Mutect2+scRNAseq+cancer cell -

说明：由于一些原因，中途在一个新服务器账号创建了GATK分析环境，故后面系列分析的路径可能与在下文的路径不一致，但数据与软件都是一致的。

要点一、GATK学习

1、GATK简介

• The GATK is the industry standard for identifying SNPs and indels in germline DNA and RNAseq data.
• Its scope is now expanding to include somatic short variant calling, and to tackle copy number (CNV) and structural variation (SV).

variant calling pipeline

• 简单理解就是gatk4是根据bam文件，生成vcf文件的软件；不仅如此，gatk开发团队(broad institute)对整个从fatsq→vcf分析流程都建立了标准的分析pipeline，即GATK Best Practices系列

关于SNP、INDEL等变异类型可参考之前的VCF格式详解笔记
(插一句就是我登录broad institute GATK页面总是有问题，不知道其他小伙伴也遇到类似问题。)
生信格式之fasta、fastq - https://www.jianshu.com/p/5bd5848eb596
生信格式之sam、bam - https://www.jianshu.com/p/f0f1f293f0bd
生信格式之vcf格式 - https://www.jianshu.com/p/34c1e22c92c8

2、相关概念区别

2.1 DNA-seq与RNA-seq

https://sciberg.com/resources/bioinformatics-faqs/the-differences-between-dna-and-rna-sequencing.html
（1） DNA-seq

• 如下图，DNA-seq包括三种测序手段，分别为Whole Genome Sequencing (WGS,全基因组测序), Whole Exome Sequencing (WES or WXS,全外显子测序) and targeted sequencing(靶向测序).
• WGS是对样本整个基因组的全部测序，而WES则仅对能携带遗传信息，参与编码mRNA的外显子序列(仅占基因组大小的3%)进行测序。
• 以WGS与WES为代表的DNA-seq，主要用于研究rare mutations and/or common variants associated with a disorder or phenotype.
  
  DNA-seq

（2）RNA-seq

• 如下图，RNA-seq主要是捕捉DNA的转录产物mRNA以及非编码RNA（lncRNA，circRNA和miRNA等），分为mRNA-seq、miRNA-seq、circRNA， Whole Transcriptome Sequencing (WTS,全转录组测序)。
• 相比DNA-seq的测序步骤，RNA-seq首先需要提取特定类型RNA，再反转录成cDNA(complementary DNA,互补DNA)，然后构建文库，进行测序。
• 相比DNA-seq的测序分析，RNA-seq的研究包括the detection of changes in gene expression, alternative splicing, post-transcriptional modifications, gene fusions as well as detection of mutations and SNPs.

RNA-seq

2.2、germline mutation与somatic mutation

https://www.zhihu.com/question/38765318
（1）germline mutation 胚系突变

• germline mutation是指上一代的生殖细胞（germ cells）精子或卵子发生突变(如下图左)，然后经减数分裂，形成合子，在子代中不断分化增殖(有丝分裂，直接复制)，从而在该个体的所有体细胞中都存在germline mutation。
• 即取正常组织测序，在某一特定位点，germline突变的频率理论上只有2种：50%突变（精子或卵子一方突变），或100%突变（精子与卵子均突变）【该个体的生殖细胞也是带有突变】
• 所以胚系突变的特点是可遗传性。如下图右是仅父代精子胚系突变，导致该个体产生的精子中会有50%的遗传性

• germline mutation是遗传性疾病的研究重点；只有一少部分癌症，是与遗传相关的（研究最广泛的遗传性癌症就是乳腺癌，携带BRCA1/2基因的突变会导致患乳腺癌、卵巢癌的几率增加）。

  
  
  image.png

（2）somatic mutation 体细胞突变

• 如上图有，somatic mutation与精卵子配体是否发生突变无关，而是在胚胎后期发育过程中，体细胞分裂过程中发生的突变。由于体细胞已经高度分化，仅影响该类体细胞(皮肤，肝脏，骨髓，眼睛等的细胞均为体细胞)相关区域。
• 由于大部分somatic mutation 不会影响生殖细胞，所以somatic mutation是不会遗传的。
• 绝大多数癌症，都是由于后天体细胞突变导致；研究时一般取癌组织与癌旁组织对比研究，即在Call Somatic mutations 的时候最好有同一个体的正常组织进行参照。

3、笔记内容

• 基于GATK Best Practices的identifying SNPs and indels in germline DNA and RNAseq data的流程学习；
• 主要以用为主，通过示例数据操作为主，同时再尽量解释清楚每一步的含义，但背后深入算法还是并不太明白，例如pairHMM算法。

1、下载相关软件

• sra-tools、aspera 是两个常用的下载公共数据库测序数据的软件；
• fastqc、trimmomatic是对fastq测序文件质控的两个软件；
• bwa、star是两个常用的比对软件，各有所长；
• GATK4是variant calling的常规软件，目前已发布第4版本；
• 其它seqtk、tree......

软件安装一般到官网或者github主页，根据提示下载安装即可；有的是解压即用，有的需要make之类的操作(编译)一下。建议选择合适的文件路径，方便以后管理方便。

https://github.com/lh3/bwa

2、conda创建GATK分析环境

• 区别上述的方法，conda环境下可以软件命令的操作更加方便，不需要考虑环境变量因素。
• conda的基础学习可参考前面的笔记--Linux的conda软件管家https://www.jianshu.com/p/84a0d5c407aa

conda create -n GATK python=3
conda activate GATK
conda install -c bioconda -y sra-tools  seqtk
conda install -c bioconda -y fastqc trimmomatic samtools
conda install -c bioconda -y bwa gatk4
# aspera比较特殊，需从hcc channel源下载
conda install -c hcc aspera-cli
conda list

• 根据后面的踩坑教训，有两个软件需要安装指定版本才可以

conda install -c bioconda -y star=2.7.1a
conda install -c bioconda  -y sambamba=0.6.6
conda list

但是还是建议手动安装下上述所有软件，我是分别建立了一个GATKconda环境与biosoft文件加下安装了上述软件。

3、下载参考数据库

#部分数据集特别大，耗时，建议后台运行
mkdir -p ~/path/to/GATK/bundle/hg38
cd ~/path/to/GATK/bundle/hg38

（1）下载参考基因组

nohup wget ftp://[email protected]/bundle/hg38/Homo_sapiens_assembly38.fasta.gz >/dev/null 2>&1 &
nohup wget ftp://[email protected]/bundle/hg38/Homo_sapiens_assembly38.fasta.fai >/dev/null 2>&1 &
nohup wget ftp://[email protected]/bundle/hg38/Homo_sapiens_assembly38.dict >/dev/null 2>&1 &

如下，bwa与star是两个测序数据比对软件，比对时需要建立索引文件。根据GATK流程推荐，bwa适合DNA-seq数据找变异；star适合RNA-seq数据找变异

（2）bwa建立参考基因组(human)索引

#比较耗时，1-2h
mkdir bwa_index 
cd bwa_index
nohup ~/biosoft/bwa/bwa-0.7.15/bwa index -a bwtsw -p gatk_hg38 ../Homo_sapiens_assembly38.fasta >/dev/null 2>&1 &

（3）下载star的参考基因组(human)索引

• 由于STAR建立索引十分耗资源，因此这里下载搭建好的STAR软件比对人类参考基因组数据的全套数据(31G)。因为这套数据里的比对索引是star 2.7.1a建立的，故后面比对时需要使用对应版本的star，以及找变异时使用版本一致的基因组文件。

mkdir  /home/shensuo/biosoft/star/STAR-2.7.7a/db/
cd /home/shensuo/biosoft/star/STAR-2.7.7a/db/
#网速好的话，一晚上可以下载好
wget -c https://data.broadinstitute.org/Trinity/CTAT_RESOURCE_LIB/GRCh38_gencode_v22_CTAT_lib_Apr032020.plug-n-play.tar.gz
# -c参数表示断点续传，下载大文件时建议使用
tar -zcvf GRCh38_gencode_v22_CTAT_lib_Apr032020.plug-n-play.tar.gz
cd GRCh38_gencode_v22_CTAT_lib_Apr032020.plug-n-play/ctat_genome_lib_build_dir/
gatk CreateSequenceDictionary -R ref_genome.fa
ls

image.png

（4）下载人类基因组参考变异注释数据

nohup wget ftp://[email protected]/bundle/hg38/dbsnp_146.hg38.vcf.gz >/dev/null 2>&1 &
nohup wget ftp://[email protected]/bundle/hg38/dbsnp_146.hg38.vcf.gz.tbi >/dev/null 2>&1 &
nohup wget ftp://[email protected]/bundle/hg38/Mills_and_1000G_gold_standard.indels.hg38.vcf.gz >/dev/null 2>&1 &
nohup wget ftp://[email protected]/bundle/hg38/Mills_and_1000G_gold_standard.indels.hg38.vcf.gz.tbi >/dev/null 2>&1 &
nohup wget ftp://[email protected]/bundle/hg38/1000G_phase1.snps.high_confsampleence.hg38.vcf.gz >/dev/null 2>&1 &
nohup wget ftp://[email protected]/bundle/hg38/1000G_phase1.snps.high_confsampleence.hg38.vcf.gz.tbi >/dev/null 2>&1 &

nohup搭配&是后台不断线的下载。因为有的数据比较大，以及建立索引都比较耗时。
此外都是人类测序的相关分析数据。