我第一次使用snakemake来构建一个基本的pipeline,使用cutadapt、bwa和GATK(修剪;比对;调用)。我想在目录中运行此pipeline以处理每个fastq文件,而不必在snakefile或config文件中指定它们的名称或其他信息。我希望能够成功地做到这一点。
前两个步骤(cutadapt和bwa/修剪和比对)运行良好,但我在使用GATK时遇到了一些问题。
首先,我必须从bam文件生成g.vcf文件。我正在使用以下规则:
这些规则很好用。例如,如果我有以下文件: Cla001d_S281_L001_R1_001.fastq.gz Cla001d_S281_L001_R2_001.fastq.gz
我尝试了几种方法来完成这个任务,但是没有成功。问题出在两个规则之间的链接(
前两个步骤(cutadapt和bwa/修剪和比对)运行良好,但我在使用GATK时遇到了一些问题。
首先,我必须从bam文件生成g.vcf文件。我正在使用以下规则:
configfile: "config.yaml"
import os
import glob
rule all:
input:
"merge_calling.g.vcf"
rule cutadapt:
input:
read="data/Raw_reads/{sample}_R1_{run}.fastq.gz",
read2="data/Raw_reads/{sample}_R2_{run}.fastq.gz"
output:
R1=temp("trimmed_reads/{sample}_R1_{run}.fastq.gz"),
R2=temp("trimmed_reads/{sample}_R2_{run}.fastq.gz")
threads:
10
shell:
"cutadapt -q {config[Cutadapt][Quality_value]} -m {config[Cutadapt][min_length]} -a {config[Cutadapt][forward_adapter]} -A {config[Cutadapt][reverse_adapter]} -o {output.R1} -p '{output.R2}' {input.read} {input.read2}"
rule bwa_map:
input:
genome="data/genome.fasta",
read=expand("trimmed_reads/{{sample}}_{pair}_{{run}}.fastq.gz", pair=["R1", "R2"])
output:
temp("mapped_bam/{sample}_{run}.bam")
threads:
10
params:
rg="@RG\\tID:{sample}\\tPL:ILLUMINA\\tSM:{sample}"
shell:
"bwa mem -t 2 -R '{params.rg}' {input.genome} {input.read} | samtools view -Sb - > {output}"
rule picard_sort:
input:
"mapped_bam/{sample}.bam"
output:
"sorted_reads/{sample}.bam"
shell:
"java -Xmx4g -jar /home/alexandre/picard-tools/picard.jar SortSam I={input} O={output} SO=coordinate VALIDATION_STRINGENCY=SILENT"
rule picard_rmdup:
input:
bam="sorted_reads/{sample}.bam"
output:
"rmduped_reads/{sample}.bam",
"picard_stats/{sample}.bam"
params:
reads="rmduped_reads/{sample}.bam",
stats="picard_stats/{sample}.bam",
shell:
"java -jar -Xmx2g /home/alexandre/picard-tools/picard.jar MarkDuplicates "
"I={input.bam} "
"O='{params.reads}' "
"VALIDATION_STRINGENCY=SILENT "
"MAX_FILE_HANDLES_FOR_READ_ENDS_MAP=1000 "
"REMOVE_DUPLICATES=TRUE "
"M='{params.stats}'"
rule samtools_index:
input:
"rmduped_reads/{sample}.bam"
output:
"rmduped_reads/{sample}.bam.bai"
shell:
"samtools index {input}"
rule GATK_raw_calling:
input:
bam="rmduped_reads/{sample}.bam",
bai="rmduped_reads/{sample}.bam.bai",
genome="data/genome.fasta"
output:
"Raw_calling/{sample}.g.vcf",
shell:
"java -Xmx4g -jar /home/alexandre/GenomeAnalysisTK-3.7/GenomeAnalysisTK.jar -ploidy 2 --emitRefConfidence GVCF -T HaplotypeCaller -R {input.genome} -I {input.bam} --genotyping_mode DISCOVERY -o {output}"
这些规则很好用。例如,如果我有以下文件: Cla001d_S281_L001_R1_001.fastq.gz Cla001d_S281_L001_R2_001.fastq.gz
我可以创建一个bam文件(Cla001d_S281_L001_001.bam
),然后从该bam文件创建一个GVCF文件(Cla001d_S281_L001_001.g.vcf
)。我有很多像这样的样本,需要为每个样本创建一个GVCF文件,然后将这些GVCF文件合并成一个文件。问题是我无法将要合并的文件列表提供给以下规则:
rule GATK_merge:
input:
???
output:
"merge_calling.g.vcf"
shell:
"java -Xmx4g -jar /home/alexandre/GenomeAnalysisTK-3.7/GenomeAnalysisTK.jar "
"-T CombineGVCFs "
"-R data/genome.fasta "
"--variant {input} "
"-o {output}"
我尝试了几种方法来完成这个任务,但是没有成功。问题出在两个规则之间的链接(
GATK_raw_calling
和GATK_merge
,它们应该合并GATK_raw_calling
的输出)。如果我将GATK_raw_calling
的输出指定为下一个规则的输入,则无法输出单个文件(无法从输出文件确定输入文件中的通配符),如果我不将这些文件指定为输入,则无法在两个规则之间建立链接...
有没有办法成功做到这一点?困难在于我没有定义名称列表或其他什么东西。
非常感谢您的帮助。
glob_wildcards
函数感兴趣:https://snakemake.readthedocs.io/en/stable/project_info/faq.html#glob-wildcards(“如何在特定目录中运行我的规则以处理所有文件?”) - bliall
的输入与GATK_merge
的输出不同。 - blidata/Raw_reads/{sample}_R1_{run}.fastq.gz
中的run
一样。如果这个run
部分预期始终为“001”,那么在此处不使用通配符会更简单。我不知道这是否有保证。 - bli