【直播】我的基因组26：GATK的realign对最后的结果影响到底有多大

GATK的realign步骤很耗费时间，使用起来也很繁琐，尤其是对初学者来说，耗费了大量的时间在学习，如何安装GATK软件，如何下载这个那个数据，但是这一步骤，但是不要只看别人这么做就盲目的跟着做，更要知其所以然。

realign对最后的variation的寻找真的意义重大吗？不见得，请看下面对结果具体的分析讲解。

因为我们这里还没有详细讲解vcf文件的格式，就先用现成的软件吧，snpEFF软件套装里面的SnpSift工具，具体安装教程见前面第5讲。

http://snpeff.sourceforge.net/SnpSift.html#concordance

我也是第一次用，看软件说明书，需要我们把压缩的vcf先解压：

比较的第一个vcf文件是没有用GATK realign的，第二个是用了GATK realign的。但是因为我对它们的sample标记是一样的，所以在运行这个软件之前，我进入了用GATK realign的VCF文件里面手动编辑了sample标记。而且更改了文件名：

mv P_jmzeng.rmdup.realgn.bcftools.vcf   realign.vcf

运行软件的命令是：

java -jar  ~/biosoft/SnpEff/snpEff/SnpSift.jar  concordance -v P_jmzeng.rmdup.bcftools.vcf realign.vcf   1>concordance.txt 2>SnpSift_Concordance.log

可能很多人不知道1> 2> 分别代表什么意思

在 shell 程式中，最常使用的 FD (file descriptor) 大概有三个, 分别是:

0 是一个文件描述符，表示标准输入(stdin)

1 是一个文件描述符，表示标准输出(stdout)

2 是一个文件描述符，表示标准错误(stderr)

这个软件运行很快，几分钟就好了！

首先看summary.txt文件，其实可以发现两个vcf文件差异并不大！

查看软件运行的日志(SnpSift_Concordance.log)可以知道，具体是哪些不match的

可以看到通过对GATK realign的的bam进行call snp的时候，多了很多indel的variation，而不是之前的snp情况了。而且还造成了一下alt的改变，

当然，也可以自己写脚本，来把两个vcf文件读进去，根据坐标来保存ref和alt，这样就能比较是否一致，我相信这个软件的原理也是一样的。

最后的结论，就是，GATK的realign步骤，对某些区域的variation情况的查询更精确，但是它改进的位点数量所占比例很有限，毕竟我这个vcf文件高达486万的variation，这个步骤仅仅是影响了三千多个位点的情况。

但是很多时候尤其是在临床应用，精确性是非常重要的，一个突变就可能意味着生与死的距离，但是科研不同，科研具有错误的机会。

接下来我们将重点讲解vcf格式文件里面所包含的信息。