MarkDuplicates的作用是什么

這篇文章主要講解了“MarkDuplicates的作用是什么”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“MarkDuplicates的作用是什么”吧！

在數據預處理中，有一個很重要的步驟就是MarkDuplicates, 字面意思就是標記重復序列。重復序列是如何產生的，為什么要標記重復序列呢？
首先來看重復序列產生的途徑，有以下兩種

1. PCR duplicates
   這個很好理解，PCR根據一份模板，擴增出多份拷貝，來源于同一模板的多份拷貝之間就是PCR重復序列

2. Optical duplicates
   illumina測序儀的基本單位是flowcell，測序反應在flowcell上發生和進行，高密度的flowcell使得測序的通量顯著提升，也帶來了序列重復讀取的問題。雖然比例非常低，但是也需要考慮進來。

   
   

GATK官方對PCR重復和系統重復進行了統計，可以看到，PCR重復的比例隨著測序量的增加而增加，而Optical duplicates 重復序列的比例是一個隨機分布，總是存在的，其比例相對穩定，在是在一定范圍內波動，符合系統誤差的特性。

之所以要標記重復序列，是為了下游的SNP分析。SNP位點的識別，簡單理解可以看做一個概率問題。比如下面兩種情況：

1. 情況A
   基因組上某位點堿基為A, 有100條reads 覆蓋到該位點。 其中99條都為A, 1條為C;

2. 情況B
   基因組上某位點堿基為T, 有100條reads 覆蓋到該位點。 其中54條為T, 46條為C;

   
   

上述兩種情況都檢測到了兩種堿基，是不是意味著檢測到了兩個SNP位點呢？
當然不是，情況A中C堿基的比例為1%，很可能是測序錯誤，當然不能算是一個SNP位點；情況B只從reads分布看，可以認為是一個候選的SNP位點，當然還要分析其他的因素才能判斷是否是一個snp位點。從這里也可以看出， reads 的計數對于SNP位點的檢測特別的重要。

但是這里的reads 指的是有效reads , 是實際在樣本中存在的reads的數目。在計數時，重復序列只計數1次。MarkDuplicates的作用就是標記重復序列, 標記好之后，在下游分析時，程序會根據對應的 tag 自動識別重復序列。

重復序列的判斷方法有兩種：

1. 序列完全相同

2. 比對到基因組的起始位置相同

   
   

序列完全相同時，認為是重復序列當然沒什么大問題。雖然會有同源性，重復序列等因素的影響，但是概率非常之小，基本上可以忽略不計；比對位置相同也認為是重復序列，是因為在測序過程中，會存在測序錯誤，本身完全一樣的序列, 可能測序得到的的reads并不完全相同（可能有幾個堿基不同），而且在去除低質量的過程中，也會有所差異（末端切除的低質量堿基數不同）, 所以最終根據比對基因組的結果進行判斷。如果序列比對到基因組上的起始位置是相同的，就認為是重復序列。

GATK4 標記重復序列的命令如下：

soft/gatk-4.0.4.0/gatk MarkDuplicates -I input.bam -M metrc.csv -O marked.bam

在輸出的bam文件中，借助第二列的flag 來標記重復序列，flag的值是多種情況的疊加，其中1024代表重復序列

samtools flags 1024

0x400 1024 DUP

在生出的bam文件中，通過flag的值可以知道該序列是否為重復序列。

通過flag已經可以知道哪些是重復序列了，對于gatk 下游分析而言，已經足夠了。有時我們還會去除掉重復序列，在去除重復序列時，會根據序列的堿基質量值 ，選擇一個堿基質量值總和最大的reads 作為代表序列，保留下來。

感謝各位的閱讀，以上就是“MarkDuplicates的作用是什么”的內容了，經過本文的學習后，相信大家對MarkDuplicates的作用是什么這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！