Sentieon | 应用教程: 使用 Sentieon进行大型基因组重测序分析

# 一、介绍

全基因组重测序是通过对已有参考序列（Reference Sequence）的物种的不同个体进⾏基因组测序，并以此为基础进⾏个体或群体水平的遗传差异性分析。通过全基因组重测序，研究者可以找到大量的单核苷酸多态性位点（SNP）、拷贝数变异（Copy Number Variation，CNV）、插⼊缺失（InDel， Insertion/Deletion）、结构变异（Structure Variation，SV）等变异位点。以往研究者对于大型基因组的处理常常因分析流程中不同分析软件对于⼤型染⾊体的支持差而不得不采取折中的办法来对大型染色体进行拆分处理。

![](/media/202510/a622a229ebcd4ce98e956f92357644801597.png#align=center)

<center>图 1. 小麦基因组研究中的染色体拆分处理</center>

**为了解决以上问题，Sentieon 在v202308.01 版本中增加csi 格式索引支持并为大型基因组长染色体处理提供了完整解决方案。**

---

# 二、Sentieon大型基因组重测序分析示例

由于 bai 格式索引的限制以及大型基因组重测序数据存储的问题，Sentieon 在大型基因组重测序比对部分需要生成 cram 格式及相应的索引文件。在指定了 cram 格式之后，Sentieon 后续的 remove duplicate、 BQSR 等步骤则均需要指定相同的参考基因组文件。在后续变异检测过程中，Sentieon 会根据输入数据生成带 csi 索引的 GVCF 文件，为后续大型基因组 joint calling 提供了后续的支持。

以下将以异源六倍体小麦分析过程代码为示例。

```
SM_id=$1 # SampleID
WORKDIR=$2
FASTQ_1=$3 # clean read1
FASTQ_2=$4 # clean read2
FASTA=$5 # 参考基因组

SM=$SM_id
RGID="rg_$SM"
PL="ILLUMINA" # 测序平台

# 软件环境和证书
# 根据机器配置指定⽐对过程使⽤的内存⼤⼩
export bwt_max_mem=48G

tmpdir=/tmp # 中间⽂件临时⽬录
# Other settings
NT=$(nproc) # 分析使⽤的线程数，默认使⽤计算节点上的所有线程数

# ******************************************
# 0. Setup
# ******************************************
[ -e $WORKDIR ]||mkdir -p $WORKDIR
LOGFILE=$WORKDIR/${SM}_run.log
exec >>$LOGFILE 2>&1
cd $WORKDIR

# ******************************************
# 1. Mapping reads with BWA-MEM, sorting
# ******************************************
( $SENTIEON_INSTALL_DIR/bin/sentieon bwa mem -R "@RG\tID:$RGID\tSM:$SM\tPL:$PL" \
-t $NT -K 10000000 $FASTA $FASTQ_1 $FASTQ_2  || { echo -n 'BWA error'; exit 1; } ) | \
$SENTIEON_INSTALL_DIR/bin/sentieon util sort --temp_dir $tmpdir -r $FASTA -o ${SM}-sorted.cram -t $NT \
--sam2bam -i -  || { echo "Alignment failed"; exit 1; }

# 标记重复
$SENTIEON_INSTALL_DIR/bin/sentieon driver --temp_dir $tmpdir -r $FASTA -t $NT -i ${SM}-sorted.cram --algo LocusCollector \
--fun score_info $SM.score.txt || { echo "LocusCollector failed"; exit 1; }

$SENTIEON_INSTALL_DIR/bin/sentieon driver --temp_dir $tmpdir -r $FASTA -t $NT -i ${SM}-sorted.cram --algo Dedup \
--score_info $SM.score.txt --metrics $SM.dedup_metrics.txt $SM.deduped.cram || \
 { echo "Dedup failed"; exit 1; }
 
# Metrics
$SENTIEON_INSTALL_DIR/bin/sentieon driver --temp_dir $tmpdir -r $FASTA -t $NT -i ${SM}.deduped.cram \
--algo WgsMetricsAlgo WGS_METRICS.txt \
--algo MeanQualityByCycle $SM.mq_metrics.txt \
--algo QualDistribution $SM.qd_metrics.txt \
--algo GCBias --summary $SM.gc_summary.txt $SM.gc_metrics.txt \
--algo AlignmentStat $SM.aln_metrics.txt \
--algo BaseDistributionByCycle $SM.bd_metrics.txt \
--algo QualityYield $SM.qy_metrics.txt \
--algo InsertSizeMetricAlgo $SM.is_metrics.txt || \
 { echo "Metrics failed"; exit 1; }

$SENTIEON_INSTALL_DIR/bin/sentieon plot GCBias -o $SM.gc-report.pdf $SM.gc_metrics.txt
$SENTIEON_INSTALL_DIR/bin/sentieon plot QualDistribution -o $SM.qd-report.pdf $SM.qd_metrics.txt
$SENTIEON_INSTALL_DIR/bin/sentieon plot MeanQualityByCycle -o $SM.mq-report.pdf $SM.mq_metrics.txt
$SENTIEON_INSTALL_DIR/bin/sentieon plot InsertSizeMetricAlgo -o $SM.is-report.pdf $SM.is_metrics.txt

# ******************************************
# 5. Base recalibration
# ******************************************
KNOWN_DBSNP=WHEAT.variant.vcf.gz
$SENTIEON_INSTALL_DIR/bin/sentieon driver --temp_dir $tmpdir -r $FASTA -t $NT -i $SM.deduped.cram --algo QualCal \
-k $KNOWN_DBSNP recal_data.table
$SENTIEON_INSTALL_DIR/bin/sentieon driver --temp_dir $tmpdir -r $FASTA -t $NT -i $SM.deduped.cram -q recal_data.table \
--algo QualCal -k $KNOWN_DBSNP recal_data.table.post
$SENTIEON_INSTALL_DIR/bin/sentieon driver --temp_dir $tmpdir -t $NT -- algo QualCal --plot \
--before recal_data.table --after recal_data.table.post recal.csv
$SENTIEON_INSTALL_DIR/bin/sentieon plot QualCal -o recal_plots.pdf recal.csv

# 变异检测
mode=gvcf # gvcf output gVCF; variant output VCF
$SENTIEON_INSTALL_DIR/bin/sentieon driver --temp_dir $tmpdir -q recal_data.table.post -r $FASTA -t $NT -i $SM.deduped.cram \
--algo Haplotyper --emit_conf=30 --call_conf=30 --emit_mode $mode -- ploidy 2 \
$SM-output-hc.$mode.gz || { echo "Haplotyper failed"; exit 1; }
```

分析目录相关结果如下：

![](/media/202510/699ed05393fc459890eec62542e954175916.png#align=center)

小麦样本全基因组分析测试信息：

![](/media/202510/9955335b7b5b4ef19aba4565109e106c9786.png#align=center)

---

# 三、总结

Sentieon v202308.01 版本更新中，增加了 csi格式索引支持。通过在比对过程生成 cram 文件+csi 格式 GVCF索引，Sentieon 处理大型基因组重测序分析更加丝滑。

[**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/)