在具有多个RG的BAM文件上运行GATK DepthOfCoverage

Question

我试图在从两个原始文件中合并的一些BAM文件上运行GATK (相同的示例在两个通道上被排序，以最大限度地增加读取数量)。我意识到，合并后的文件具有不同的读取组(如每个读取的RG字段所反映的)，并且我的两个原始文件的头在它们的@RG字段中有所不同。

我尝试运行samtools重新标头，在头中添加一个新的@RG字段，但是当我合并两个文件时，每个read组基于两个BAM文件的名称，而不是基于两个BAM文件头中的@RG的名称。

例如，我的两个起始示例是：

27163.pe.markdup.bam
27091.pe.markdup.bam

但是当我使用samtools合并它们时

samtools merge merged.bam 27163.pe.markdup.bam 27091.pe.markdup.bam 

结果的merged.bam在头中只有一个@RG字段，并且每个读取都有一个读取名称，它来自这样一个文件的名称：

读为1

RG:Z:27091.pe.markdup

读为2

RG:Z:27163.pe.markdup

等等，用于BAM中的其余读取。

我做错了什么吗？在合并之前，我应该重新处理每个原始文件吗？还是简单地在合并到与GATK兼容的东西之后重新开始呢？似乎无论合并前头中的@RG字段是什么，合并的文件都会根据两个输入文件的名称使用不同的RGs读取。

我也不确定GATK DepthOfCoverage想要什么作为阅读组的输入。它想要一个所有读取的单一RG吗？在这种情况下，我应该使用与samtools合并不同的东西吗？

谢谢你能帮我的忙。

Answer 1

关于今后的参考，请参阅这里制定的解决方案：

https://www.biostars.org/p/105787/#107970

基本上，正确的过程是使用Picard而不是samtools进行合并，从而使输出在bam文件、读取组词汇表方面与GATK兼容。