GATK(Genome Analysis Toolkit)
简介
GATK这个工具已经流行了很多年。从我毕业开始（2015年）第一次接触到这个工具，似乎就再也没有离开过这个工具。刚开始只是作为变异检测的软件在使用，也仅仅只会当做变异检测软件使用。不过最近因为工作的需要，从GATK3中找了一些工具，发现原来GATK能完成的功能这么得多，很多之前想要的功能，自己通过一个个脚本去实现，不仅效率低，而且耽误时间。所以决定，依据GATK3.8这个版本（GATK4仍旧在开发中，很多方法变化很大）好好的探究一下他可以完成的功能，实现它在我这“toolkit”的称号名副其实。
GATK3.8安装
（待补充）
方法列表
(待补充)
| 方法名 | 描述 | 所属类别 |
|---|---|---|
测试数据说明
所有的参数测试均会使用两套数据
- 全外bam数据+小区域bed文件（A方案）
- 随机抽取全外bam文件数据+全外bed文件（B方案）
整体参数
-T,--analysis_type-I,--input_file-L,--intervals-R,--reference_sequence
annotator
VariantAnnotator
bqsr
AnalyzeCovariates
BaseRecalibrator
cancer
AssignSomaticStatus
contamination
AnnotatePopulationAFWalker
ContEst
coverage
CallableLoci
CompareCallableLoci
DepthOfCoverage
个人理解：
- 这个方法在做芯片评估的时候非常有用，按照意义设计出来的芯片也有可能捕获效果不好，通过这个方法能够很快的得到其中不需要的区域，有问题的区域。以便在下次升级时可以进行优化。
评估序列的覆盖度相关数据，结果可以分成不同样本，不同类别，或者不同文库。可以同时作用多个bam。这项功能是最近刚好用到，而自己写的程序可以统计但是对于内存消耗太大。
除了整体的参数之外，对于DepthOfCoverage还有特有的参数
-o,--out
输出文件前缀，如果不给出则直接输出到标准输出（打印在屏幕上）
java -jar GenomeAnalysisTK.jar \
-T DepthOfCoverage \
-I $TEST_PATH/test.bam \
-L $TEST_PATH/test.bed \
-R $TEST_PATH/hg19.fasta \
-o $TEST_PATH/DOC_test
获得如下7个文件：
A方案结果：
DOC_test：第一列为位置，第二列为总深度，第三列为平均深度，第四列则为样本深度（如果输入多个bam，就会出现后续会有后续列）
Locus Total_Depth Average_Depth_sample Depth_for_1
chr17:48745062 60 60.00 60
chr17:48745063 59 59.00 59
chr17:48745064 62 62.00 62
chr17:48745065 61 61.00 61
chr17:48745066 62 62.00 62
chr17:48745067 64 64.00 64
chr17:48745068 65 65.00 65
chr17:48745069 65 65.00 65
chr17:48745070 65 65.00 65
DOC_test.sample_summary：第一列为样本Id，第二列为总的碱基数目，第三列为target区域平均深度我们的区域不是13，而是22，但是我们可以发现974和74.32之间的关系却是13，这是因为我输入的bed中有9bp（chr22:100-110），他们在参考基因组上其实都是N，所以默认情况下，这个区域是会被去掉的，后续会有参数能够改变这个默认情况（--includeRefNSites），第四列~第六列是分位数，第七列为默认计算超过15X的区域所占百分比
sample_id total mean granular_third_quartile granular_median granular_first_quartile %_bases_above_15
1 974 74.92 100 66 63 100.0
Total 974 74.92 N/A N/A N/A
DOC_test.sample_cumulative_coverage_proportions：覆盖度的累积分布，下列是其中一部分，表示的是深度不小于0X的区域在test_0001这个样本中占100%的区域，gte表示>=
gte_0 gte_1 gte_2 gte_3 gte_4 gte_5 gte_6 gte_7...
1 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00...
DOC_test.sample_cumulative_coverage_counts：结果同上，只是输出不是比例，而是确切位点数，从这也可以看出我们的区域大小是13，但其实还有一个区域是因为ref是N所以被去掉了。
gte_0 gte_1 gte_2 gte_3 gte_4...
NSamples_1 13 13 13 13 13...
DOC_test.sample_statistics：上述为深度覆盖的累积分布，这一项结果为每一个深度确切位点数。位点深度为0的位点数为0正好是gte_0-gte_1(13-13)
Source_of_reads from_0_to_1) from_1_to_2) from_2_to_3)...
sample_test_0001 0 0 0...
DOC_test.sample_interval_statistics：平均深度超过x的区域数目，因为是超过的统计，所以大于1的肯定也会统计到大于0的里面。而且从这也可以看出我们的bed区域一共有多少区域（3）很奇怪，这个时候他会计算ref为N的那个区域，因为真实情况下我是输入了3个区域，按照位点的时候，他都没有算第三个区域，但是算区域的时候，他会计算第三个区域
depth>=0 depth>=1 depth>=2...
At_least_1_samples 3 2 2...
DOC_test.sample_interval_summary：每个区域的深度详情，第一列为区域，第二列为总深度，第三列为平均深度，第四列~第九列是一个样本的（总深度、平均深度、1分位、中位数、三分位及默认的超过15X的区域在该区域中所占比例）
Target totalcoverage average_coverage test_0001_total_cvg test_0001_mean_cvg test_0001_granular_Q1 test_0001_granular_median test_0001_granular_Q3 test_0001%_above_15
chr17:48745062-48745070 563 62.56 563 62.56 62 63 66 100.0
chr19:12874507-12874510 411 102.75 411 102.75 100 102 106 100.0
chr22:101-110 0 NaN 0 NaN 1 1 1 NaN
B方案结果： DOC_test：第一列为位置，第二列为总深度，第三列为平均深度，第四列则为样本深度（如果输入多个bam，就会出现后续会有后续列）
Locus Total_Depth Average_Depth_sample Depth_for_test_0001
chr1:17346 0 0.00 0
chr1:17347 0 0.00 0
chr1:17348 0 0.00 0
chr1:17349 0 0.00 0
chr1:17350 0 0.00 0
chr1:17351 0 0.00 0
chr1:17352 0 0.00 0
chr1:17353 0 0.00 0
chr1:17354 0 0.00 0
DOC_test.sample_summary：第一列为样本Id，第二列为总的碱基数目，第三列为target区域平均深度（我们的bed区域为46584178，所以我们算一下46584178*0.44差不多就是总数目，但是有出入，后续会说明出入在哪），第四列~第六列是分位数，第七列为默认计算超过15X的区域所占百分比
sample_id total mean granular_third_quartile granular_median granular_first_quartile %_bases_above_15
test_0001 20440631 0.44 1 1 1 0.0
Total 20440631 0.44 N/A N/A N/A
DOC_test.sample_cumulative_coverage_proportions：覆盖度的累积分布，下列是其中一部分，表示的是深度不小于0X的区域在test_0001这个样本中占100%的区域，gte表示>=
gte_0 gte_1 gte_2 gte_3 gte_4 gte_5 gte_6 gte_7...
test_0001 1.00 0.23 0.15 0.03 0.02 0.01 0.00 0.00...
DOC_test.sample_cumulative_coverage_counts：结果同上，只是输出不是比例，而是确切位点数，从这也可以看出我们的区域大小是46584178
gte_0 gte_1 gte_2 gte_3 gte_4...
NSamples_1 46584178 10647046 6806354 1585048...
DOC_test.sample_statistics：上述为深度覆盖的累积分布，这一项结果为每一个深度确切位点数。位点深度为0的位点数为35937132正好是gte_0-gte_1(46584178-10647046)
Source_of_reads from_0_to_1) from_1_to_2) from_2_to_3)...
sample_test_0001 35937132 3840692 5221306...
DOC_test.sample_interval_statistics：平均深度超过x的区域数目，因为是超过的统计，所以大于1的肯定也会统计到大于0的里面。而且从这也可以看出我们的bed区域一共有多少区域（223775）
depth>=0 depth>=1 depth>=2...
At_least_1_samples 223775 51442 29119...
DOC_test.sample_interval_summary：每个区域的深度详情，第一列为区域，第二列为总深度，第三列为平均深度，第四列~第九列是一个样本的（总深度、平均深度、1分位、中位数、三分位及默认的超过15X的区域在该区域中所占比例）
Target total_coverage average_coverage test_0001_total_cvg test_0001_mean_cvg test_0001_granular_Q1
test0001_granular_median test_0001_granular_Q3 test_0001%_above_15
chr1:17346-17452 0 0.00 0 0.00 1 1 1 0.0
chr1:30371-30507 0 0.00 0 0.00 1 1 1 0.0
chr1:69056-69689 0 0.00 0 0.00 1 1 1 0.0