这是一篇工具介绍贴,考虑这个工具是要钱的,那些动不动就说别人忘了初心的用户肯定认为我写的是软文,所以这些人就不要继续往下看了。
变异检测的软件目前虽然有很多,SAMtools/BCFtools, GATK, FreeBayes等,但是我看到的大部分文章都是用GATK UG/HC。GATK的速度是有目共睹的慢,不过我平时就分析几个重测序样品,基本上过个两天就能出结果,所以速度不是我的刚需。
如果想要追求速度的话,一种思路是可以将参考基因组进行分割,然后分别并行运算加速,或者搭建Spark环境,用GATK4的Spark模式。还有一种就是根据GATK的算法思想,用C/C++重新写软件。去年的时候我看到了一个软件叫做sentieon,用C/C++实现了GATK的算法,瞬间速度就上来了,这是一个商业公司的收费软件,目前国内用的比较少。
我原本以为这个速度已经够快的,直到我最近去demo了另一个软件,edico公司开发的DRAGEN,这个效率简直是丧心病狂。它从硬件和软件上同时进行加速
需要购买他们公司的硬件,128G内存,56线程,2T固态硬盘,以及一个FPGA芯片
比对这一步的算法基于而不是BWT转换(这就是为什么要128G内存)
比对之前要将索引加载到芯片中,所以每次只能比对一个任务
由于IO读写是非常大瓶颈,所以采用了固态硬盘
程序由C/C++开发,所以效率极高
为啥我要去demo这个工具呢,主要因为最近服务器资源紧缺(因为之前用的服务器要么是合租的,要么是蹭别人的),而老板又在催进度,而要买的服务器还在路上。就在这走投无路的情况下,我突然想起2个月之前和这个设备的负责人说要去测试一下(换句话说,我放了他两个月的鸽子。。)
看完软件说明书,我就坐着地铁揣着硬盘,硬盘里装着一个260M的基因组和230个GBS测序的数据(80G)跑到仁科生物公司以测试软件之名实为蹭别人的服务器。
首先我把数据一股脑地全从硬盘里拷到固态硬盘挂载的 /staging
下
然后是建立索引:
dragen -h-ht-reference reference.fa --output-directory reference --build-hash-table true
接着我现场写了一个shell脚本用来批量分析,命名为 run_dragen.sh
#!/bin/bash
set -e
set -u
set -o pipefail
REF=$1
SAMPLES=$2
samples=$(cat $SAMPLES)
# loading hash table
dragen -l -r $REF
# calling gvcf for each sample
mkdir -p GVCF
for sample in ${samples}
do
prefix=$(basename ${sample})
if [ ! -f GVCF/${prefix}.done ]; then
dragen -f -r $REF \
-1 ${sample}.1.fq.gz -2 ${sample}.2.fq.gz \
--enable-variant-caller true \
--vc-emit-ref-confidence GVCF \
--vc-sample-name ${prefix} \
--output-directory GVCF \
--output-file-prefix ${prefix} \
--enable-duplicate-marking false \
--enable-map-align-output true
touch GVCF/${prefix}.done
fi
done
find GVCF/ -name '*.gvcf.gz' | grep -v 'hard' > gvcfs.list
# merge gvcf and join calling
mkdir -p vcf_result
if [ -f gvcfs.list -a ! -f vcf_result/combine.gvcf.gz]; then
dragen -f -r $REF \
--enable-combinegvcfs true \
--output-directory vcf_result \
--output-file-prefix combine\
--variant-list gvcfs.list
fi
if [ ! -f vcf_result/join_calling.vcf.gz ]
then
dragen -f -r $REF \
--enable-joint-genotyping true \
--output-directory vcf_result \
--output-file-prefix joint_calling\
--variant vcf_result/combine.gvcf.gz
fi
运行方法:
# 创建一个文件存放待分析的样本
find /staging/xuzhougeng/00-raw-data/ -name '*.fq.gz'| sed 's/\(.*\)\.[12].fq.gz/\1/' | uniq > samples.txt
# 执行命令, 参数分别是索引的文件夹和样本文件
bash run_dragen.sh reference samples.txt &> run.log &
按照我的估算,每个样本至少得要花个20分钟得到GVCF文件吧,毕竟我用BWA-MEM10个线程进行比对也要10min呀。事实证明我还是低估了程序猿的能力值,每个GBS样品得到GVCF文件居然只要不到1min。。
RUN TIME,,Total runtime,00:00:56.528,56.53
得到的GVCF可以进行合并,但是有一个问题,就是超过200样本就会出错,而且Join calling运行也不需要combine,所以后续的代码就删掉了merge这一步
...
find GVCF/ -name '*.gvcf.gz' | grep -v 'hard' > gvcfs.list
# join calling
if [ ! -f vcf_result/join_calling.vcf.gz ]
then
dragen -f -r $REF \
--enable-joint-genotyping true \
--output-directory vcf_result \
--output-file-prefix joint_calling\
--variant-list gvcfs.list
fi
在Joint Calling步骤花的时间比较长,时间是'RUN TIME,,Total runtime,00:14:24.272,864.27'.
虽然软件运行速度是很快,但是写出上面的代码并且调试却花了我好久时间,于是这两天时间我就在公司里敲代码。除了GBS数据,第二天我还带着另一个260M基因组(Canu初步组装和arrow polish后到版本)和一个100X重测序数据(压缩后10G数据)去测试,分别在固态硬盘和我的移动硬盘里测试,结果如下:
固态硬盘 draft.fa: 06:31(mapping) + 28.17 (varaint calling)
普通移动硬盘 draft.fa: 28.33(mapping) + 29.03 (varaint calling)
固态硬盘 polish.fa: 06:09(mapping) + 13.093(variant calling)
普通移动硬盘 polish.fa: 27.46(mapping) + 13.33(varint calling)
这里有两个结论
是比对的IO对速度影响非常大,也就是要一定要在固态硬盘里发挥它最大的威力。
重测序样本与参考基因组的差异程序影响variant calling这一步。
从上面的测试而言,DRAGEN的运算速度的确是非常快的。虽然你需要先把拷贝数据这一步会花点时间,但是你从公司拿到的数据其实也要拷贝到服务器才行,所以拷贝数据是不可避免的。
对于公司而言,原本需要两天才能跑完的分析可能现在2小时或者1小时不到就能搞定了,那么业务速度就快了,此外也不需要搭建spark或者自己搞一套对GATK进行并行,更何况GATK商用是要钱的,国内很多公司都是偷偷的在用吧。对于医院而言,嗯,他们不差钱。对于科研机构而言,除非专门搞一个平台管理,不然一年花掉2T的分析数据量还是有难度。
当然都是比对,所以这个软件也能用于分析RNA-seq,ChIP-seq,ATAC-seq等illumina高通量测序数据,但是三代测序数据目前搞不定,不知道未来会不会支持。
联系客服