1. 准备
A) 使用 OSS 存储
要在批量计算上运行 GATK，输入、输出文件都需要保存在 OSS。所以，需要先开通 OSS 并创建好 Bucket。
注意：创建 Bucket 的区域,需要和运行批量计算的 GATK 区域一致。
B) 安装 batchcompute-cli 命令行工具
pip install batchcompute-cli
AI 代码解读
安装完成后，还需要 配置 。
注意：当前最佳实践中使用的 GATK 相关软件版本信息如下：
GATK: 4.0.0.0
picard: 2.13.2
genomes-in-the-cloud: 2.3.0-1501082129
2. 快速运行
本示例中，运行 Broad Institute 提供的 GATK4 版本全基因分析流程，该流程分为两步：
第一步为 gatk4-data-processing 。
第二步为 gatk4-germline-snps-indels 。
在配置好 bcs 工具后，执行如下命令：
bcs gen ./demo -t gatk
cd demo/gatk4-data-processing
sh main.sh # 运行gatk4-data-processing 流程
cd ../gatk4-germline-snps-indels
sh main.sh # 运行gatk4-germline-snps-indels 流程
AI 代码解读
这样您就在批量计算上运行了以上两个 GATK4 流程。
3. 命令详解
A) 生成示例
执行如下命令生成示例：
bcs gen ./demo -t gatk
AI 代码解读
它将生成以下目录结构:
demo
|-- Readme.md
|-- gatk4-data-processing
| |-- main.sh
| |-- src
| |-- LICENSE
| |-- README.md
| |-- generic.batchcompute-papi.options.json
| |-- processing-for-variant-discovery-gatk4.hg38.wgs.inputs.json
| |-- processing-for-variant-discovery-gatk4.hg38.wgs.inputs.30x.json
| |-- processing-for-variant-discovery-gatk4.wdl
|-- gatk4-germline-snps-indels
|-- main.sh
|-- src
|-- LICENSE
|-- README.md
|-- generic.batchcompute-papi.options.json
|-- haplotypecaller-gvcf-gatk4.hg38.wgs.inputs.json
|-- haplotypecaller-gvcf-gatk4.hg38.wgs.inputs.30x.json
|-- haplotypecaller-gvcf-gatk4.wdl
AI 代码解读
gatk4-data-processing 目录中包括了运行 gatk4-data-processing 流程所需的所有配置和脚本。
gatk4-germline-snps-indels 目录中包括了运行 gatk4-germline-snps-indels 流程所需的所有配置和脚本。
每个目录下面的 main.sh 脚本封装了使用 bcs 工具提交作业的命令。
src 目录下面包括了工作流实现代码。
B) 运行 gatk4-data-processing 流程
进入 demo/gatk4-data-processing 目录，运行 main.sh，该文件内容如下：
#!/bin/bash
# bcs asub cromwell -h for more
bcs asub cromwell gatk-job\
--config ClassicNetwork=false\
--input_from_file_WDL src/processing-for-variant-discovery-gatk4.wdl\
--input_from_file_WORKFLOW_INPUTS src/processing-for-variant-discovery-gatk4.hg38.wgs.inputs.json\
--input_from_file_WORKFLOW_OPTIONS src/generic.batchcompute-papi.options.json\
--input_WORKING_DIR oss://demo-bucket/cli/gatk4_worker_dir/\
--output_OUTPUTS_DIR oss://demo-bucket/cli/gatk4_outputs/\
-t ecs.sn1.large -d cloud_efficiency
AI 代码解读
其中，部分参数描述为：
input_from_file_WDL：WDL 流程描述文件路径。
input_from_file_WORKFLOW_INPUTS：WDL 流程输入文件。
input_from_file_WORKFLOW_OPTIONS：WDL 流程选项文件。
input_WORKING_DIR：OSS上的目录，用来存储 WDL 流程中各个步骤生成的文件，bcs 会自动给您生成一个默认的路径。
output_OUTPUTS_DIR：OSS 上的目录，用来存储 WDL 流程结束后生成的 metadata 文件，bcs 会自动给您生成一个默认的路径。
其他参数，请参考 bcs asub -h 命令。
如果希望使用此流程来运行自己的数据，需要修改 src/processing-for-variant-discovery-gatk4.hg38.wgs.inputs.json 文件中的 PreProcessingForVariantDiscovery_GATK4.flowcell_unmapped_bams_list 参数，指定存储在 OSS 上的 ubam 文件。
注意：该示例中的流程输入文件不是 FASTQ 格式，而是 unaligned BAM 文件。
C) 运行 gatk4-germline-snps-indels 流程
该流程的运行与 gatk4-data-processing 流程类似，参考上述章节。
如果希望使用此流程来运行自己的数据，需要修改 src/haplotypecaller-gvcf-gatk4.hg38.wgs.inputs.json 文件中的 HaplotypeCallerGvcf_GATK4.input_bam 参数，修改为 gatk4-data-processing 流程输出的 bam 文件路径。
将 HaplotypeCallerGvcf_GATK4.input_bam_index 参数修改为相应的索引文件路径。
4. 作业状态查询与日志
在提交作业后，如果看到以下信息，说明提交成功
Job created: job-0000000059DC658400006822000001E3
AI 代码解读
job-0000000059DC658400006822000001E3 即是当次提交作业的 ID。
查看作业状态:
bcs j # 获取作业列表
bcs j job-0000000059DC658400006822000001E3 # 查看作业详情
AI 代码解读
查看作业日志:
bcs log job-0000000059DC658400006822000001E3
AI 代码解读
5. 验证结果
查看 OSS 空间中的输出数据：
bcs o ls oss://demo-bucket/cli/gatk4_worker_dir/
AI 代码解读
查看 metadata 文件：
bcs o ls oss://demo-bucket/cli/gatk4_outputs/
AI 代码解读
6. 如何分析 30X 的全基因组数据
A) 生成配置文件
执行上述步骤生成本示例时，会同时生成一个适用 30X 全基因组数据分析的配置：
processing-for-variant-discovery-gatk4.hg38.wgs.inputs.30x.json
haplotypecaller-gvcf-gatk4.hg38.wgs.inputs.30x.json
B) 修改 processing-for-variant-discovery-gatk4 配置文件
为分析 30X 样本，需要将 processing-for-variant-discovery-gatk4.hg38.wgs.inputs.30x.json 文件中的PreProcessingForVariantDiscovery_GATK4.flowcell_unmapped_bams_list 参数改为OSS 文件路径，该文件包括了需要分析的 30X 样本在 OSS 上的路径列表。
注意，30X 数据样本，格式为 unaligned BAM 文件。
C）修改 gatk4-data-processing 流程文件
找到 gatk4-data-processing 流程的 main.sh 文件，将其中的 --input_from_file_WORKFLOW_INPUTS 参数，修改为 src/processing-for-variant-discovery-gatk4.hg38.wgs.inputs.30x.json，加上 --timeout 172800 参数，并提交作业。
D) 修改 haplotypecaller-gvcf-gatk4 配置文件
将 haplotypecaller-gvcf-gatk4.hg38.wgs.inputs.30x.json 中的 HaplotypeCallerGvcf_GATK4.input_bam 参数修改为gatk4-data-processing 流程输出的 bam 文件路径。
将 HaplotypeCallerGvcf_GATK4.input_bam_index 参数修改为相应的索引文件路径。
E) 修改 gatk4-germline-snps-indels 流程文件
找到 gatk4-germline-snps-indels 流程的 main.sh，将其中的 --input_from_file_WORKFLOW_INPUTS 参数修改为 src/haplotypecaller-gvcf-gatk4.hg38.wgs.inputs.30x.json，加上 --timeout 172800 参数，并最后提交作业。
本文作者：阿里云批量计算团队
文章转自阿里云基因行业公众号，欢迎大家扫码关注
