MarkDuplicates的作用是什么

引言

在基因组学研究中，高通量测序技术（如Illumina测序）已经成为一种常用的工具。然而，测序过程中会产生大量的重复序列（duplicates），这些重复序列可能会对后续的分析结果产生干扰。为了确保数据的准确性和可靠性，研究人员通常会在数据预处理阶段使用工具来标记或去除这些重复序列。其中，MarkDuplicates是一个常用的工具，主要用于标记或去除测序数据中的重复序列。本文将详细介绍MarkDuplicates的作用、原理、使用方法以及其在基因组学分析中的重要性。

1. 什么是重复序列？

在测序过程中，重复序列指的是在测序数据中出现的多个相同的或高度相似的序列片段。这些重复序列可能来源于以下几个方面：

• PCR扩增偏差：在文库制备过程中，PCR扩增可能会导致某些序列被过度扩增，从而在测序数据中出现多次。
• 测序错误：测序仪在读取DNA序列时可能会产生错误，导致某些序列被错误地重复读取。
• 样本污染：样本中可能存在外源DNA污染，这些污染DNA可能会在测序数据中产生重复序列。

重复序列的存在可能会对后续的分析产生负面影响，例如在变异检测中，重复序列可能会导致假阳性或假阴性的结果。因此，在数据分析的早期阶段，标记或去除这些重复序列是非常重要的。

2. MarkDuplicates的作用

MarkDuplicates是Picard工具包中的一个常用工具，主要用于识别和标记测序数据中的重复序列。它的主要作用包括：

2.1 识别重复序列

MarkDuplicates通过比较测序数据中的序列片段，识别出那些在相同位置出现的相同或高度相似的序列。这些序列被认为是重复序列，可能是由于PCR扩增或测序错误引起的。

2.2 标记重复序列

一旦识别出重复序列，MarkDuplicates会将这些序列标记为重复。标记的方式通常是在BAM文件的FLAG字段中设置一个特定的标记（如0x400），以便后续的分析工具能够识别这些重复序列。

2.3 去除重复序列（可选）

除了标记重复序列外，MarkDuplicates还提供了去除重复序列的选项。用户可以选择在标记重复序列的同时，将这些重复序列从BAM文件中移除，以减少数据量并提高后续分析的准确性。

2.4 生成重复序列统计信息

MarkDuplicates还会生成一个关于重复序列的统计信息文件，其中包括重复序列的数量、比例等信息。这些信息对于评估测序数据的质量和后续分析的准确性非常重要。

3. MarkDuplicates的工作原理

MarkDuplicates的工作原理主要基于以下几个步骤：

3.1 序列比对

首先，MarkDuplicates需要输入一个经过比对的BAM文件。BAM文件包含了测序数据与参考基因组的比对信息。MarkDuplicates会根据比对结果，确定每个序列片段在基因组上的位置。

3.2 序列分组

接下来，MarkDuplicates会将所有比对到相同基因组位置的序列片段进行分组。这些序列片段被认为是潜在的重复序列。

3.3 重复序列识别

在分组的基础上，MarkDuplicates会进一步比较每个组内的序列片段，识别出那些在序列内容上高度相似的片段。这些片段被认为是重复序列。

3.4 标记或去除重复序列

根据用户的设置，MarkDuplicates会将这些重复序列标记为重复，或者直接从BAM文件中移除。

3.5 生成统计信息

最后，MarkDuplicates会生成一个关于重复序列的统计信息文件，供用户参考。

4. 如何使用MarkDuplicates

MarkDuplicates通常作为Picard工具包的一部分使用。以下是一个典型的使用示例：

java -jar picard.jar MarkDuplicates \
    INPUT=input.bam \
    OUTPUT=output.bam \
    METRICS_FILE=metrics.txt \
    REMOVE_DUPLICATES=false

在这个示例中：

• INPUT：指定输入的BAM文件。
• OUTPUT：指定输出的BAM文件。
• METRICS_FILE：指定生成的统计信息文件。
• REMOVE_DUPLICATES：指定是否去除重复序列。如果设置为true，则重复序列将被移除；如果设置为false，则重复序列将被标记但不移除。

5. MarkDuplicates在基因组学分析中的重要性

MarkDuplicates在基因组学分析中具有重要的作用，主要体现在以下几个方面：

5.1 提高变异检测的准确性

在变异检测中，重复序列可能会导致假阳性或假阴性的结果。通过标记或去除重复序列，可以减少这些错误，提高变异检测的准确性。

5.2 减少数据量

重复序列通常占据了测序数据中的相当一部分。通过去除重复序列，可以减少数据量，从而降低后续分析的存储和计算成本。

5.3 评估测序数据质量

MarkDuplicates生成的统计信息文件可以帮助研究人员评估测序数据的质量。例如，高比例的重复序列可能表明PCR扩增偏差较大，或者测序过程中存在其他问题。

5.4 提高下游分析的可靠性

在基因组学分析中，许多下游分析工具（如GATK）要求输入数据中不包含重复序列。通过使用MarkDuplicates标记或去除重复序列，可以确保下游分析的可靠性。

6. 总结

MarkDuplicates是基因组学数据分析中的一个重要工具，主要用于识别、标记或去除测序数据中的重复序列。通过使用MarkDuplicates，研究人员可以提高变异检测的准确性，减少数据量，评估测序数据质量，并确保下游分析的可靠性。在基因组学研究中，MarkDuplicates已经成为数据预处理阶段不可或缺的一部分。

参考文献

1. Picard Tools: https://broadinstitute.github.io/picard/
2. GATK Best Practices: https://gatk.broadinstitute.org/hc/en-us
3. Li, H., & Durbin, R. (2009). Fast and accurate short read alignment with Burrows-Wheeler transform. Bioinformatics, 25(14), 1754-1760.
4. McKenna, A., Hanna, M., Banks, E., Sivachenko, A., Cibulskis, K., Kernytsky, A., … & DePristo, M. A. (2010). The Genome Analysis Toolkit: a MapReduce framework for analyzing next-generation DNA sequencing data. Genome research, 20(9), 1297-1303.
5. Van der Auwera, G. A., & O’Connor, B. D. (2020). Genomics in the Cloud: Using Docker, GATK, and WDL in Terra. O’Reilly Media.