全外显子组数据分析笔记（一）：选取参考基因组

参考基因组的准备

• UCSC Genome Browser
  主页 > Downloads > Genome Data > Human

  
  上面两个都可以
  

  点进去在页面底部就可以看到hg38参考基因组了。

#比如这个
wget http://hgdownload.soe.ucsc.edu/goldenPath/hg38/bigZips/hg38.fa.gz

• Ensembl

  
  界面简洁美观
  

  点进去之后选择Download DNA sequence就可以看到下载界面了。

#依次下载22条常染色体和1对性染色体，然后cat合并就可以了
wget ftp://ftp.ensembl.org/pub/release-94/fasta/homo_sapiens/dna/Homo_sapiens.GRCh38.dna.chromosome.1.fa.gz

• GATK官网（我用的这个）
  主页 > Download > Resource Bundle在页面最下方可以看到FTP Server Access, 点进去可以看到：

  
  链接：ftp://gsapubftp-anonymous@ftp.broadinstitute.org/bundle/hg38/，在上级目录中也可以找到hg19的参考文件

#dict fai两个索引文件在后面局部重比对目标创建的过程中会用到，没有会这样报错
##### ERROR MESSAGE: Fasta index file XXX.fa.fai for reference XXX.fa does not exist. 
##### Please see http://gatkforums.broadinstitute.org/discussion/1601/how-can-i-prepare-a-fasta-file-to-use-as-reference for help creating it.
##### ERROR MESSAGE: Fasta dict file XXX.dict for reference XXX.fa does not exist. 
##### Please see http://gatkforums.broadinstitute.org/discussion/1601/how-can-i-prepare-a-fasta-file-to-use-as-reference for help creating it.
#另外这两个命令是可以生成dict fai两个索引文件的，忘了的话可以补上
samtools faidx XXX.fa
java -jar picard.jar CreateSequenceDictionary R=XXX.fa
#还有几个vcf文件也需要下载，后面的局部重比对，碱基校正，变异检测，变异校正都会以此为参考。
1000G_phase1.snps.high_confidence.hg38.vcf.gz
1000G_phase1.snps.high_confidence.hg38.vcf.gz.tbi
dbsnp_146.hg38.vcf.gz
dbsnp_146.hg38.vcf.gz.tbi
hapmap_3.3.hg38.vcf.gz
hapmap_3.3.hg38.vcf.gz.tbi
Mills_and_1000G_gold_standard.indels.hg38.vcf.gz
Mills_and_1000G_gold_standard.indels.hg38.vcf.gz.tbi

为参考基因组建立索引

一本书有了目录之后可以更快地查找书中的内容，参考基因组的索引也是这个作用。

#简单查看一下参考基因组的信息
$ grep ">" Homo_sapiens_assembly38.fasta | less -S -x 16
>chr1  AC:CM000663.2  gi:568336023  LN:248956422  rl:Chromosome  M5:6aef897c3d6ff0c78aff06ac189178dd  AS:GRCh38
>chr2  AC:CM000664.2  gi:568336022  LN:242193529  rl:Chromosome  M5:f98db672eb0993dcfdabafe2a882905c  AS:GRCh38
...
#创建索引
bwa index -a bwtsw Homo_sapiens_assembly38.fasta
#会生成amb、ann、bwt、pac、sa结尾的5个索引文件文件
#参考基因组和索引文件放在一个文件夹里

构建索引时需要注意的问题：bwa构建索引有两种算法，两种算法都是基于BWT的，这两种算法通过参数-a is 和-a bwtsw进行选择。其中-a bwtsw对于短的参考序列是不工作的，必须要大于等于10Mb；-a is是默认参数，这个参数不适用于大的参考序列，必须要小于等于2G。