Sentieon | 应用教程: 关于读段组的建议

# 一、介绍

本文档描述了使用Sentieon® Genomics软件时，推荐使用RGID字段以最小化潜在问题的用法。

本文档能帮助您确定设置所使用的bam文件中RG标签的不同字段的最佳实践方法。

---

# 二、RG字段及其用法的详细描述
## 1. RG字段的详细描述

SAM格式规范http://samtools.github.io/hts-specs/SAMv1.pdf 将读段组定义为将读段组合在一起的标识符。BAM文件中的读段组字段可以包含以下标签：

`ID`: 标识符。读段组的唯一标识符。您需要确保RGID在BAM文件内是唯一的，并且在同一个命令的流水线中使用的多个BAM文件内也是唯一的。此字段是必需的。

`CN`: 中心名称。进行测序的测序中心的名称。通常情况下，此标签不被使用。

`DS`: 描述。对读段组的自由格式描述。通常情况下，此标签不被使用。

`DT`: 日期。运行生成的日期，遵循ISO8601日期或日期/时间格式。通常情况下，此标签不被使用。

`FO`: 流程顺序。与每个读段的每个流程所使用的核苷酸对应的数组。通常情况下，此标签不被使用。

`KS`: 关键序列。与每个读段的关键序列对应的核苷酸基序的数组。通常情况下，此标签不被使用。

`LB`: 文库。用于测序读段的文库。

`PG`: 程序。用于处理读段组的程序。通常情况下，相关信息会包含在BAM文件的PG字段中，而不是在每个读段组内单独设置。

`PI`: 预测的中值插入大小。通常情况下，此标签不被使用。

`PL`: 平台。用于测序读段的技术。如果您计划运行BQSR，则需要此标签，因为它用于确定要应用的正确错误模型。

`PM`: 平台模型。提供关于所使用平台/技术的更多细节的自由格式文本。通常情况下，此标签不被使用。

`PU`: 平台单元。执行测序的测序仪使用的唯一标识符。如果您打算运行BQSR，则建议使用此标签，因为BQSR将对属于相同PU的所有读段进行建模；如果PU缺失，则BQSR将对具有相同RGID的读段进行建模。

`SM`: 样本名称。读段所属样本的名称。此字段是必需的。

## 2. RG字段标签和Sentieon®

以下是RG字段标签在Sentieon®工具中使用的一般原则：
- 使用多个输入的bam文件时，需要使每个bam文件的ID标签唯一；两个不同的bam输入文件中不能有相同ID的RG。
  
- 工具使用SM标签来识别属于同一样本的读段，并相应地处理它们。
- 去重（Deduplication）使用LB标签来确定可能包含重复的组，重复的reads应属于同一文库。
- BQSR模型需要PL标签来确定要应用的错误模型。如果没有PL标签，将不会执行BQSR。
- 如果存在PU标签，则BQSR建模将基于PU标签识别的读段组进行；如果不存在PU标签，则BQSR建模将基于ID标签识别的读段组进行。

---

# 三、RG字段标签的填写
Sentieon®建议对RG字段标签使用以下约定：

`ID`：样本名.flowcell.lane.barcode

`SM`：样本名

`PL`：技术平台，例如ILLUMINA

`PU`：flowcell.lane

`LB`：样本名.文库制备

上述建议确保了：

- 即使在多个bam文件中，读组ID也将是唯一的，即使是相同样本在不同lane或使用不同文库进行测序。
  
- BQSR将根据实际的唯一测序单元创建重新校准，如果多个样本在同一测序单元上进行测序，则可以对其执行。

- 肿瘤和正常样本的名称在体细胞变异检测中将是唯一的。

[**想了解更多Sentieon软件应用教程，可以点击此处进行跳转**](https://doc.insvast.com/doc/10/)