GATK 软件分析流程由阿里云和 Broad Institute 合作提供。Broad Institute 提供的 GATK 流程最佳实践用 工作流定义语言(WDL) 编写,通过批量计算集成的 Cromwell 工作流引擎解析执行。用户将为作业运行时实际消耗的计算和存储资源付费,不需要支付资源之外的附加费用。
Broad Institute GATK 网站和论坛为 GATK 工具和 WDL 提供了更完整的背景信息,文档和支持。
如果需要执行用 WDL 编写的通用工作流程,请参考 cromwell 工作流引擎和 WDL 支持的 APP 。
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 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 这样您就在批量计算上运行了以上两个 GATK4 流程。
bcs gen ./demo -t gatk 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 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 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 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 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 查看作业日志:
bcs log job-0000000059DC658400006822000001E3 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/ 查看 metadata 文件:
bcs o ls oss://demo-bucket/cli/gatk4_outputs/ 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。
如遇到 QuotaExhausted 错误,请通过工单调整 Quota。
版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。