GATK 是 Genome Analysis ToolKit 的縮寫，是一款從高通量測序數(shù)據(jù)中分析變異信息的軟件，是目前最主流的snp calling 軟件之一。GATK 設(shè)計之初是用于分析人類的全外顯子和全基因組數(shù)據(jù)，隨著不斷發(fā)展，現(xiàn)在也可以用于其他的物種，還支持CNV和SV變異信息的檢測。在官網(wǎng)上，提供了完整的分析流程，叫做GATK Best Practices。

GATK4基本概念整理

https://software.broadinstitute.org/gatk/download/

1. https://software.broadinstitute.org/gatk/download/

安裝過程如下：

wget https://github.com/broadinstitute/gatk/releases/download/4.1.7.0/gatk-4.1.7.0.zip
unzip gatk-4.1.7.0.zip
(wes) root@1100150:~/wes_cancer/biosoft# tree -L 1 gatk-4.1.7.0/
gatk-4.1.7.0/
├── GATKConfig.EXAMPLE.properties
├── README.md
├── gatk
├── gatk-completion.sh
├── gatk-package-4.1.7.0-local.jar
├── gatk-package-4.1.7.0-spark.jar
├── gatkPythonPackageArchive.zip
├── gatkcondaenv.yml
├── gatkdoc
└── scripts

2 directories, 8 files

解壓縮之后，可以看到兩個后綴為.jar的文件，local用于本地運行，spark用于在spark集群上運行。實際使用時，直接用gatk這個可執(zhí)行文件就行了。 通過一個簡單的命令，查看程序是否正確安裝

gatk --help

這個命令能夠打印出所有的子命令，如果打印出來結(jié)果，說明程序安裝正確。部分子命令截圖如下

image.png

子命令后面如果有(picard), 說明這個功能是繼承于picard軟件，從這里也可以看出，GATK4集成了picard軟件的功能。再不需要像之前版本一樣，混合使用picard 和 gatk 了。 GATK4 的最佳實踐給出了5套pipeline

1. Germline SNPs + Indels
2. Somatic SNVs + Indels
3. RNAseq SNPs + Indels
4. Germline CNVs
5. Somatic CNVs

以上五套pipeline 可以根據(jù)研究對象是DNA還是RNA進行劃分：DNA 測序（包含1,2,4,5）和RNA 測序（3）。可以看到，GATK 更多的是傾向于DNA 測序數(shù)據(jù)的分析。對于DNA測序而言，主要識別SNP和CNV 兩大類型的變異，每種變異類型又有Germline和Somatic的區(qū)別。 Germline指的是在胚胎發(fā)育早起出現(xiàn)的變異，這種變異會在所有細胞中廣泛存在，是可以遺傳給后代的變異；Somatic指的是體細胞變異，身體特定區(qū)域或者組織中出現(xiàn)的變異。通常不會遺傳給后代。 在所有的pipeline之前，都存在一個數(shù)據(jù)預(yù)處理步驟data pre-processing。 GATK4 版本的最佳實踐并不是直接給出了每個步驟對應(yīng)的代碼，而是給出了幾套它們自己編寫的流程，以供參考。這些流程以WDL這種workflow 語言進行編寫。官方對于WDL, 也給出了詳細的文檔，幫助我們了解。

構(gòu)建索引

conda activate wes
cd ~/wes_cancer/data
gunzip Homo_sapiens_assembly38.fasta.gz
time bwa index -a bwtsw -p gatk_hg38 ~/wes_cancer/data/Homo_sapiens_assembly38.fasta

總結(jié)

1. GATK4整合了picard軟件，在算法上進行了優(yōu)化，新增了許多新的功能。
2. 官網(wǎng)給出了基于GATK4的pipeline, 以WDL這種workflow 流程管理語言編寫。

參考資料：https://www.plob.org/article/13840.html