2021-03-22

03、测序数据批量比对到参考基因组

建立索引：

cd /home/ngs/Pipeline/WES/database/gatk/hg38
gzip -d Homo_sapiens_assembly38.fasta.gz
mkdir index && cd index
nohup bwa index -a bwtsw -p hg38 ../Homo_sapiens_assembly38.fasta &
# -a有两种构建index的算法：bwtsw：大的基因组数据，必须大于10MB，比如人的全基因组；is：默认的算法，速度较快，需要较大的内存，不能构建大于2GB的数据库
# -p str：输出数据库的前缀，默认和输入的文件名一致

进行比对：

# 单样本比对
INDEX=/home/ngs/Pipeline/WES/database/gatk/hg38/index/hg38
sample=025666
cd /home/ngs/Pipeline/WES/project/clean/
bwa mem -t 10 -R "@RG\tID:$sample\tSM:$sample\tLB:WGS\tPL:Illumina" $INDEX 025666_S168_L001.R1_val_1.fq.gz 025666_S168_L001.R2_val_2.fq.gz |samtools sort -@ 5 -o 025666.bam -
# -t：线程数
# -R接的是 Read Group的字符串信息，它是用来将比对的read进行分组的，这个信息对于后续对比对数据进行错误率分析和Mark duplicate时非常重要。ID是Read Group的分组ID，一般设置为测序的lane ID；PL指的是所用的测序平台；SM为样本ID；LB为测序文库的名字。这些信息设置好后，在RG字符串中要用制表符将它们分开
# 使用samtools将bwa产生的sam文件转换为bam文件并排序（根据左起位点对序列排序），-@为线程数，后边的“-”为管道输出的占位符

# 批量比对
ls *R1_val_1.fq.gz >1
ls *R2_val_2.fq.gz >2
paste 1 2 > tmp
cat tmp |cut -f1|cut -d"_" -f1 >del
paste del tmp >config

INDEX=/home/ngs/Pipeline/WES/database/gatk/hg38/index/hg38
cat config |while read id
do
# 对config中的每一列进行赋值，并且开始循环读取和批量转换
arr=($id)
fq1=${arr[1]} # fq1为第2列
fq2=${arr[2]} # fq2为第3列
sample=${arr[0]}  #sample为第1列
bwa mem -t 10 -R "@RG\tID:$sample\tSM:$sample\tLB:WGS\tPL:Illumina" $INDEX $fq1 $fq2 |samtools sort -@ 5 -o $sample.bam - 
done