上海盈飞生物科技有限公司

GATK Unified Genotyper（SNP/InDels Caller，变异检测）

分析模块，利用GATK软件，输入fasta格式的参考序列文件（必须由分析模块 "BWA reference index" 的输出提供），输入坐标排序过的bam文件，进行突变信息（SNPs/InDels）的检测，生成对应的vcf文件。

关于VCF格式的详细介绍，参考：（http://www.1000genomes.org/wiki/Analysis/variant-call-format/）。

输入：

1、fasta格式的参考序列文件，必须由分析模块 "BWA reference index" 的输出提供。

2、经过坐标排序后的bam文件。

3、bed格式的区间信息文件（可选），提供的话，仅检测目标区域的突变信息。

chr1 2000 4000

chr2 13500 15000

chr3 23000 25000

输出：

保存SNPs/Indels变异信息的vcf文件。

示例：

#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT Sample_A1

ecoli_section 2088 . T C 1179.77 . AC=1;AF=0.500;AN=2;BaseQRankSum=1.223;DP=147;Dels=0.00;ExcessHet=3.0103;FS=0.609;HaplotypeScore=44.7762;MLEAC=1;MLEAF=0.500;MQ=58.03;MQ0=0;MQRankSum=-0.064;QD=8.03;ReadPosRankSum=-1.091;SOR=0.611 GT:AD:DP:GQ:PL 0/1:71,76:147:99:1208,0,1100

ecoli_section 2235 . C A 3004.77 . AC=2;AF=1.00;AN=2;BaseQRankSum=0.756;DP=143;Dels=0.00;ExcessHet=3.0103;FS=0.000;HaplotypeScore=42.8294;MLEAC=2;MLEAF=1.00;MQ=58.70;MQ0=0;MQRankSum=0.707;QD=21.16;ReadPosRankSum=1.561;SOR=0.307 GT:AD:DP:GQ:PL 1/1:1,141:143:99:3033,402,0

VCF格式说明如下所示：

CHROM 和 POS：变异所在的参考序列名称，和对应的坐标。如果突变类型是InDel，位置是REF中第一个碱基对应的位置。

ID：变异 ID。分析时若提供dbSNP对应的vcf文件，且dbSNP中有该SNP的ID，则会在此给出ID，若没有，则用’.‘表示其为一个全新的变异。如果没有提供dbSNP，用’.‘表示，无任何含义。

REF 和 ALT：参考序列的碱基型，和所有变异的碱基型。其中，多个ALT碱基型用逗号隔开。

QUAL：Phred格式(Phred-scaled)表示的变异质量值，用于表示变异的准确度，值越大，则变异的准确度越高。计算方法为：Phred值 = -10 * log (1-p)，p为变异的准确率。通过计算公式可以看出，10对应准确率为90%，20对应准确率为99%，30对应准确率为99.9%。

FILTER：通常情况下没有意义。一些软件生成的VCF文件，会输出一些字符用于表示变异是否可靠，比如用PASS表示变异通过了QC。

INFO：与变异相关的信息，如深度、等位基因频率信息等，不同软件有不同的定义。具体信息和含义参考生成的VCF文件表头部分。

FORMAT 和Sample_A1：合起来提供了’Sample_A1‘这个样品的碱基型信息。’Sample_A1‘代表该名称的样品，是由BAM文件中，@RG下的 SM 标签决定。（注：在 "Map with BWA" 分析模块中，可设置样品名称，并保存到生成的比对结果文件中，默认是自动根据输入的原始数据文件名进行赋值）。群体变异结果（存在多个样品），则在后续追加对应样品的列。

GT:AD:DP:GQ:PL 0/1:71,76:147:99:1208,0,1100

这两列数据是对应的，前者为格式，后者为格式对应的数据。具体含义参考生成的VCF文件表头部分，详解如下所示：

GT：样品的碱基型。两个数字中间用’/‘分开，这两个数字表示二倍体样品的碱基型。0 表示样品中有REF的等位碱基型，1 表示样品中有第1个ALT的等位碱基，2表示样品中有第2个ALT的等位碱基，以此类推。因此，0/0 表示样品中该位点为纯合，且与REF一致。 0/1表示样品中该位点为杂合，有REF和第1个ALT的碱基型。1/1 表示样品中该位点为纯合，均为第1个ALT的碱基型。

AD：样品在该位点，每一种等位碱基的reads深度信息（Allelic depths for the ref and alt alleles in the order listed）。

DP：样品在该位点的总reads深度（Approximate read depth (reads with MQ=255 or with bad mates are filtered)。

GQ：基因型的质量值(Genotype Quality)。

PL： Normalized, Phred-scaled likelihoods for genotypes as defined in the VCF specification。一般情况下，无需关注。

分析模块引用了GATK v3.5-g36282e4软件的UnifiedGenotyper功能进行变异检测（https://software.broadinstitute.org/gatk/）。