GATK BQSR的意义与作用

BQSR 全称叫做 Base Quality Score Recalibration， 可以理解为碱基质量校正。对于变异位点的鉴定，碱基质量是非常重要的。比如测序识别到的一个位点，其碱基和参考基因组上的碱基不同，但是其质量值特别低，此时可以认为是一个测序错误，而不是一个SNP位点。

在测序的原始数据中，本身就提供了每个碱基对应的质量值，但是GATK官方认为测序仪提供的碱基质量值，是不准确的，存在误差的。

某个位点前后的碱基的种类，称之为上下文环境，会对这个碱基的质量值产生影响。对于A,T,C,G 4种碱基，共有4 x 4 =16 种上下文环境，左侧的图是利用fastq文件中测序仪给出的碱基质量值做的图，可以看到，对于不同的上下文环境，碱基质量值分布不同；右图为经过BQSR校正之后，不同上下文环境中碱基质量的分布。可以看到，校正之后，不同的上下文环境的碱基质量分布基本相同。也就是说，BQSR消除了上下文环境对碱基质量的影响。

在碱基质量校正时，主要考虑下列3个因素：

1. 碱基在reads中的位置
2. 碱基的上下文环境
3. 碱基原始的质量值

根据这3这个因素，首先计算出原始碱基质量中错误的分布模型，然后利用这个模型对碱基质量校正，生成新的碱基质量值。

执行BQSR分析包含以下三步

1. 根据原始bam文件中的碱基质量值计算出系统误差的分布

命令如下

gatk BaseRecalibrator \
   -R ${ref_fasta} \
   -I ${input_bam} \
   --use-original-qualities \
   -O ${recalibration_report_filename} \
   --known-sites ${dbSNP_vcf} \
   --known-sites ${sep=" --known-sites " known_indels_sites_VCFs}

在计算的过程中， 不考虑已知的变异位点的碱基质量，--known-sites指定已知变异位点对应的vcf文件。这一步对单个样本进行操作，每个样本生成一个错误模型文件。

2. 综合多个样本的模型，生成一个总的模型

命令如下

gatk GatherBQSRReports \
   -I ${sep=' -I ' input_bqsr_reports} \
   -O ${output_report_filename}

3. 根据之前计算的模型对碱基质量进行校正

命令如下：

gatk ApplyBQSR \
   -R ${ref_fasta} \
   -I ${input_bam} \
   -O ${output_bam_basename}.bam \
   -bqsr ${recalibration_report} \
   --static-quantized-quals 10 --static-quantized-quals 20 --static-quantized-quals 30 \
   --add-output-sam-program-record \
   --create-output-bam-md5 \
   --use-original-qualities

BQSR会对输入的bam文件中的碱基质量值进行替换，替换为校正之后的质量值，而原先的质量值保存在OQtag 中，示意图如下