GATK支持 - 批量计算

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 。

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

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。

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

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 -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

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。