使用picard评估文库复杂度

文库复杂度对应的英文如下

Library Complexity

表示的是文库中unique的分子数目，unique分子数目越多，文库复杂度越高。在数据分析中，重复序列会对下游分析造成影响，在snp calling, peak caling等分析前都需要去除文库中的重复序列。

只有一个复杂度高的文库，才能确保挖掘出更多有效的信息，所以在数据分析中，需要对文库的复杂度进行评估。本文主要介绍下通过picard这个工具来评估文库复杂度，用法如下

java -jar picard.jar \
EstimateLibraryComplexity \
I=input.bam \
O=lib_complex_metrics.txt

基本用法非常简单，只需要指定输入输出即可，输入文件为比对产生的bam文件，输出文件记录了文库复杂度信息，其内容如下

为了方便展示，这里我截取了部分重点内容并进行了转置，其中有3个指标识别需要重点关注

1. READ_PAIRS_EXAMINED, bam文件中包含的序列数，这里以fragment为单位，默认会根据MAPQ值对bam文件中的reads进行过滤，这里统计的是过滤之后的序列数
2. READ_PAIR_DUPLICATES，bam文件中包含的重复序列数
3. ESTIMATED_LIBRARY_SIZE, 预测出来的文库中unique分子的数目

通过序列数和重复序列数，有对应的公式来计算unique分子数目，公式如下

其中N表示bam文件中的序列数，C表示bam文件中的unique序列数，用序列数减去重复序列数即可得到，N就是文库中unique分子数目，即library size。