GATK4基本概念整理

GATK 是 Genome Analysis ToolKit 的缩写，是一款从高通量测序数据中分析变异信息的软件，是目前最主流的snp calling 软件之一。GATK 设计之初是用于分析人类的全外显子和全基因组数据，随着不断发展，现在也可以用于其他的物种，还支持CNV和SV变异信息的检测。在官网上，提供了完整的分析流程，叫做GATK Best Practices。 目前最新版本文为4.0.4.0, 叫做GATK4。 和之前的版本相比，GATK4在算法上进行了优化，运行速率有所提高，而且整合了picard 软件的功能。GATK4基于java 语言开发的，需要java 1.8 版本。下载链接如下安装过程如下：解压缩之后，可以看到两个后缀为.jar的文件，local用于本地运行，spark用于在spark集群上运行。实际使用时，直接用gatk这个可执行文件就行了。 通过一个简单的命令，查看程序是否正确安装这个命令能够打印出所有的子命令，如果打印出来结果，说明程序安装正确。部分子命令截图如下 子命令后面如果有(picard), 说明这个功能是继承于picard软件，从这里也可以看出，GATK4集成了picard软件的功能。再不需要像之前版本一样，混合使用picard 和 gatk 了。 GATK4 的最佳实践给出了5套pipeline

1. Germline SNPs + Indels
2. Somatic SNVs + Indels
3. RNAseq SNPs + Indels
4. Germline CNVs
5. Somatic CNVs

以上五套pipeline 可以根据研究对象是DNA还是RNA进行划分：DNA 测序（包含1,2,4,5）和RNA 测序（3）。可以看到，GATK 更多的是倾向于DNA 测序数据的分析。对于DNA测序而言，主要识别SNP和CNV 两大类型的变异，每种变异类型又有Germline和Somatic的区别。 Germline指的是在胚胎发育早起出现的变异，这种变异会在所有细胞中广泛存在，是可以遗传给后代的变异；Somatic指的是体细胞变异，身体特定区域或者组织中出现的变异。通常不会遗传给后代。 在所有的pipeline之前，都存在一个数据预处理步骤data pre-processing。 GATK4 版本的最佳实践并不是直接给出了每个步骤对应的代码，而是给出了几套它们自己编写的流程，以供参考。这些流程以WDL这种workflow 语言进行编写。官方对于WDL, 也给出了详细的文档，帮助我们了解。

总结

1. GATK4整合了picard软件，在算法上进行了优化，新增了许多新的功能。
2. 官网给出了基于GATK4的pipeline, 以WDL这种workflow 流程管理语言编写。