2022-09-08 bam文件去除重复reads

适用场景：

首选软件：

picard MarkDuplicates

命令示例：

export _JAVA_OPTIONS=-Djava.io.tmpdir=./tmp

picard -Xmx100g MarkDuplicates I=YH9H-2filter_MAPQ20.bam O=YH9H-2filter_MAPQ20redup.bam CREATE_INDEX=ture REMOVE_DUPLICATES=ture M=YH9H-2filter_MAPQ20.metrics.txt

缺点最难搞的软件，经常会各种超内存等问题，一大堆。该工具的另一个不同之处在于它不仅考虑reads的比对位置，还会考虑其中的插入错配等情况（即会利用sam/bam文件中的CIGAR值），甚至reads的tail，lane以及flowcell。Picard主要考虑reads的5'端的比对位置，一个每个reads比对上的方向。

samtools rmdup

如果多个reads具有相同的比对位置时，samtools rmdup将它们标记为duplicates，然后直接将识别出来的重复reads去掉，通常只保留质量最高的一条。

该方法对于以下两种情况，有很好的去除效果：一些reads由于测序错误导致其不完全相同；比对错误导致不同的序列比对到相同的位置（可能性不大）。

该方法的缺点：由于samtools去重只考虑reads比对上的起始终止位置，不考虑比对情况，这种去重有时会导致测序信息的丢失。

双端测序数据用samtools rmdup效果很差，很多人建议用picard工具的MarkDuplicates功能。samtools的rmdup是直接将这些重复序列从比对BAM文件中删除掉，而Picard的MarkDuplicates默认情况则只是在BAM的FLAG信息中标记出来，而不是删除，因此这些重复序列依然会被留在文件中，只是我们可以在变异检测的时候识别到它们，并进行忽略。

目前认为，samtools rmdup已经过时了，应该使用samtools markdup代替。samtools markdup与picard MarkDuplicates采用类似的策略。

最近新出的比较快的软件

sambamba

sambamba markdup OPTIONS

主要参数：

-r, --remove-duplicates 去掉重复序列，否则仅mark重复序列

-t, --nthreads=NTHREADS

-l, --compression-level=N

--tmpdir=TMPDIR 设置中间文件生成目录(默认为/tmp)

此外，还可以提取sam文件的某一段，sambamba slice OPTIONS region

也可以使用sambamba操作bam文件和去除重复，据说该命令运行比picard MarkDuplicates快30倍。

samblaster是sam格式输入文件

引用如下：

https://www.jianshu.com/p/645aaa48a8f0

https://www.jianshu.com/p/5781e7d74c40

https://www.jianshu.com/p/115b24b7df4c