用gatk进行二代测序数据snp calling流程 以及对代码的解析

GATK (Genome Analysis Toolkit) 是一款广泛用于遗传学研究的工具包，尤其适用于第二代高通量测序数据（如Illumina）的分析，其中Snp Calling（单核苷酸多态性检测）是一个关键步骤。以下是使用GATK进行SNP Calling的一般流程：

1. **数据预处理**:
- 使用BWA、SAMtools等工具将原始FASTQ文件对齐到参考基因组上，得到 BAM 文件。
- 使用Picard或Samtools进行排序和标记 duplicates (重复读取)，以减少噪音。

2. **局部真实ignment和realignment**:
- 如果需要，运行GATK的IndelRealigner，针对插入删除事件进行校正。

3. **Base Recalibration**:
- 使用GATK的BaseRecalibrator工具生成质量评分模型，以修正测序错误。

4. **Variant Calling**:
- 使用HaplotypeCaller (GATK 3.x及以上版本) 或 GATK Variant Discovery Workflow (GATK 2.x版本) 进行SNP和InDel的联合检测。
- HaplotypeCaller会尝试从序列数据中组装出每个样本的haplotype块，并基于此推断变异信息。

5. **过滤和annoation**:
- 使用Variant Filtration模块（如Filter variants by annotation），应用一些标准过滤规则（如QD、DP、FS、MQRankSum等）筛选高质量的SNPs。
- 通过Annotator添加额外的信息，比如功能注释、数据库匹配等。

6. **VCF转换和报告生成**:
- 将结果转换成VCF (Variant Call Format) 格式，以便于后续分析和可视化。

代码解析：
GATK命令行通常包含多个步骤的组合，例如:

java -jar GenomeAnalysisTK.jar \
-T HaplotypeCaller \
-R reference.fa \
-I input.bam \
-o output.vcf \
--emitRefConfidence GVCF \
--variant_index_type LINEAR \
--variant_index_parameter 128000 \
--minPruning 3 \
--max_alternate_alleles 6

这里的参数含义：
- `-T` 指定工具类型 (HaplotypeCaller)
- `-R` 参考基因组文件
- `-I` 输入的BAM文件
- `-o` 输出的VCF文件
- `--emitRefConfidence GVCF` 生成Genotyping Likelihoods for every position in the genome，而不是只记录变异
- 其他选项如`--minPruning`控制最小的同源性支持来合并潜在的SNP