GeneDock HG 手册
Part 1 产品介绍
1. GeneDock HG 人全基因组标准化分析服务用途
GeneDock HG使用BWA、Sentieon软件，对全基因组数据，进行从fastq到vcf的分析（包含SNV和INDEL）。
Sentieon DNAseq 是一款类似于GATK (The Genome Analysis Toolkit) 的软件，主要用于二代测序数据的变异分析，包括SNV和INDEL。GeneDock的生信团队与数据计算团队共同努力，在数据传输优化、分析算法选择、计算资源选型等方面都进行了优化，并对分析关键步骤做了分布式处理，在保证同GATK鉴定结果准确度一致的基础上，大大降低了用户的分析成本，缩短了运行时间。
Sentieon是一款类似于GATK (The Genome Analysis Toolkit) 的软件，主要用于二代测序数据的变异分析，包括SNP和INDEL。Benchmark测试结果 (https://peerj.com/preprints/1672/)显示，Sentieon软件在保证同GATK 3.3软件鉴定结果准确度一致的基础上，比GATK 3.3速度提升了约20倍（相同的硬件设备）。
且该软件获得
Winner, precisionFDA Consistency Challenge
Winner, precisionFDA Truth Challenge
更多信息：Sentieon官方网站：《 Sentieon DNAseq, for consistent and confident germline variant detection》
2. 整体步骤：
整体可分为4个部分：
1. 序列比对（Mapping）：使用trimmomatic软件进行前处理，使用bwa mem进行比对，使用samtools对bam文件进行排序、格式转换等操作。
2. Bam文件前处理（Bam processing）：使用Sentieon软件做去重复序列（rmdup）、INDEL Realignment（realign）、Base quality score recalibration（bqsr）。
3. SNV和INDEL检测（SNP and INDEL calling）：使用Sentieon软件的HaplotypeCaller（hc）对SNP和INDEL同时进行检测。
4. 变异优化（Callset Refinement）：使用Sentieon软件的VQSR对varaint quality score做矫正（此步骤SNP和INDEL分别进行）。
5. 对原始序列 (FASTQ) 和比对后序列 (BAM) 的基本计量参数进行统计：原始序列 (FASTQ)统计包括Reads数目、N所占比例、低质量碱基的比例、Q20、Q30、与Adaptor相关的reads比例，以及质量值和GC含量图等。比对后序列 (BAM)的统计包括：靶标区域所占比例、平均测序深度、重复区域比例、比对率、不同X数reads所占比例，以及目标区域测序深度图等，具体图表格式可以参考GeneDock 博客。
流程中步骤与GATK的Best Practices基本一致。
关于其中使用的knowsites输入文件也与GATK软件一致，可以参考这个链接。
【运行时间】
2016年12月29日genedock_wym测试45.00GB+44.94GB的fastq.gz文件。北京域：4.5小时。
由于全基因组原始数据较大，因此给数据分析带来了很大的挑战。
本工作流利用“fastq按行拆分、bam按染色体分组拆分”的原理，可以大大缩短运行时间。
本流程中bam文件的6个染色体分组，具体情况如下（以hg19的染色体名为例）：
- 第0组：chr1和chr2
- 第1组：chr3、chr4和chr5
- 第2组：chr6、chr7和chr8
- 第3组：chr9、chr10、chr11和chr12
- 第4组：chr13、chr14、chr15和chr16
- 第5组：chr17、chr18、chr19、chr20、chr21、chr22、chrX、chrY和chrMT
【准确性评估】
本流程步骤与GATK的GATK best practice基本一致，准确性评估请参考这个链接。
【注意事项】
- 本流程需要是双端测序。
- 流程中会使用GATK官方推荐的reference、knowsites输入文件，下载自Broad的FTP。
- 根据我们的经验，此全基因组流程中VQSR步骤要求至少100M的vcf输入，因此，我们建议全基因组的fastq.gz文件要在30G*2以上。10G*2的数据，请不要使用此工作流。
- 如果输入fq文件是多个lane的，请注意read1和read2的顺序要一一对应。
关于此流程有任何问题，请您随时与我们的工程师联系。
Part 2 GeneDock HG 操作教程
1.查看工作流详情：进入后台后，点击左侧工具栏中的工作流，在我的工作流标签中选择public，可以看到WGS_Germline_BWA_Sentieon_ContainRef_stat工作流，点击“详情”，查看该工作流的介绍，包括：【概述】、【基本背景】、【整体步骤】、【运行时间】、【准确性评估】、【注意事项】等（如图1，图2）；
2.运行工作流：熟悉工作流的信息后，重复第一步骤，点击“运行”，进入到运行工作流界面（如图3）,为了方便后续查找任务，可以修改“任务名称”；
3.设置输入文件：1、双端测序结果文件；2、adaptor序列文件。点击输入文件条中对应的文件夹符号，可以看到对应的数据选择框，其中最上边可以看到对应的文件格式（如fq,fastq,gz），在您需要的文件前面操作栏选择“选取”，然后就可在输入文件条中看到选定的输入文件，所有输入文件都选择完毕后，点击“下一步”（如图4、图5）；
4.设置输出文件：输出文件已经自动加载默认路径和文件名称，可以按照项目的目录情况自行修改，如无需要可以不做修改，所有输出文件都选择完毕后，点击“下一步”（如图6）；
5.设置参数：系统中会绑定默认参数，且会标明参数属于的工具名称，如有需要修改参数，将鼠标放置参数名称上可查看参数的说明，选择参数后可直接修改（如图7）；
6.预览及运行工作流：所有参数都设置完毕后，可以点击预览，确认前面的所有设置，确认好后点击‘运行任务’，开始运行工作流（如图8）；
7.查看任务：几分钟后可以点击左侧工具栏中的“任务/报告”查看相应工作流的运行状态。为了方面查看任务，用户可以按照任务创建和运行状态等筛选。另外，对于不需要的任务，可以删除该任务。如（如图9）：
点击所要查询的任务，可以查看“参数”，“日志”，“报告”以及“相关文件下载和预览”。点击“参数“ ，可以看到输入，输出和相关参数，（如图10）：
点击”日志“，可以看到每一步的完成状态。点击APP名称，可以看到部分输出日志，点击“下载日志”可以下载查看完整的输出日志（如图11）；
注：目前的工作流没有设置报告模板，因而报告不可查看，所以只能查看“相关文件下载和预览”。
点击“相关文件下载和预览”，可以看到任务的结果文件。对于文本文件和png等图文件，支持在线预览和下载，超过100M的文件，建议按照下文使用客户端下载（如图12）。
8.数据结果的查看和下载：点击左侧工具栏中的“数据”，选定对应的任务运行前设定的输出路径，进入任务输出路径后，可以看到结果文件，并且使用提供的完整路径，使用客户端进行下载（如图13，图14）。
Part 3 参数解释
1. 工具：GD-toolkit_mapping_6-chromsome-groups_ContainRef
| 参数 | 软件 | 默认值 | 解释 |
|---|---|---|---|
| sliding_window | Trimmomatic | 4，15 | Windows的size是4个碱基，其平均碱基质量小于15，则切除 |
| leading | Trimmomatic | 3 | 切除首端碱基质量小于3的碱基或者N |
| mark_short_split_hits_as_secondary | Bwa-mem | Yes | 加入此参数用于将shorter split hits 标记为次优，有利于兼容 Picard、GATK |
| head_crop | Trimmomatic | 0 | 切除reads开始指定数目碱基 |
| crop | Trimmomatic | 10000 | 保留reads到指定的长度 |
| to_phred64 | Trimmomatic | False | 将碱基质量转换为pred64格式 |
| illumina_clip | Trimmomatic | 2,30,10 | 切除adapter序列：允许的最大mismatch数；palindrome模式下匹配碱基数阈值；simple模式下的匹配碱基数阈值 |
| to_phred33 | Trimmomatic | False | 将碱基质量转换为pred33格式 |
| read_group | Bwa-mem | sample | read group中sample名称，@RG\tID:{{parameters.read_group}}\tSM:{{parameters.read_group}}\tPL:illumina\tLB:lib |
| minlength | Trimmomatic | 36 | 最小的reads长度 |
| phred33 | Trimmomatic | False | 设置碱基的质量格式为phred33 |
| trailing | Trimmomatic | 3 | 切除尾端碱基质量小于指定值的碱基 |
| refname | Bwa-mem | hg19 | 流程中使用的reference（可选hg19或者b37），reference文献下载自Broad的FTP |
2. 工具：samtools merge bam*（由于本流程分6份染色体，因此有6个bam0-5）
| 参数 | 软件 | 默认值 | 解释 |
|---|---|---|---|
| sort_by_read_names | samtools merge | False | 使输入的比对序列按照read的名字来排序，而不是染色体坐标 |
| attach_rg_tag | samtools merge | False | 给每个比对添加一个 RG 标签，标签的值是通过文件名来推测的 |
| combine_PG | samtools merge | True | 把 PG 标签和 colliding IDs 结合，而不是添加一个后缀去区分它们 |
| combine_RG | samtools merge | True | 把 RG 标签和 colliding IDs 结合，而不是添加一个后缀去区分它们 |
3. 工具：sentieon_metrics
| 参数 | 软件 | 默认值 | 解释 |
|---|---|---|---|
| vqsr_omni | sentieon VQSR | 1000G_omni2.5.hg19.sites.vcf | omni文件名称（可选1000G_omni2.5.hg19.sites.vcf或者1000G_omni2.5.b37.vcf），使用GATK官方推荐的knowsites输入文件，下载自Broad的FTP |
| thread | sentieon VQSR | 8 | 线程数 |
| vqsr_hapmap | sentieon VQSR | hapmap_3.3.hg19.sites.vcf | hapmap文件名称（可选hapmap_3.3.hg19.sites.vcf或者hapmap_3.3.b37.vcf），使用GATK官方推荐的knowsites输入文件，下载自Broad的FTP |
| refname | sentieon VQSR | hg19 | 流程中使用的reference（可选hg19或者b37），reference文献下载自Broad的FTP |
| vqsr_Mills | sentieon VQSR | Mills_and_1000G_gold_standard.indels.hg19.sites.vcf | Mills文件名称（可选Mills_and_1000G_gold_standard.indels.hg19.sites.vcf或者Mills_and_1000G_gold_standard.indels.b37.vcf），使用GATK官方推荐的knowsites输入文件，下载自Broad的FTP |
| vqsr_1000G_indel | sentieon VQSR | 1000G_phase1.indels.hg19.sites.vcf | 1000G_indel文件名称（可选1000G_phase1.indels.hg19.sites.vcf或者1000G_phase1.indels.b37.vcf），使用GATK官方推荐的knowsites输入文件，下载自Broad的FTP |
| vqsr_1000G_snp | sentieon VQSR | 1000G_phase1.snps.high_confidence.hg19.sites.vcf | 1000G_snp文件名称（可选1000G_phase1.snps.high_confidence.hg19.sites.vcf或者1000G_phase1.snps.high_confidence.b37.vcf），使用GATK官方推荐的knowsites输入文件，下载自Broad的FTP |
| vqsr_dbsnp | sentieon VQSR | dbsnp_138.hg19.vcf | dbsnp文件名称（可选dbsnp_138.hg19.vcf或者dbsnp_138.b37.vcf），使用GATK官方推荐的knowsites输入文件，下载自Broad的FTP1 |
4. 工具：sentieon_me_rm_indel_bqsr_hc（共6个）
| 参数 | 软件 | 默认值 | 解释 |
|---|---|---|---|
| knowsites_dbsnp | sentieon variant caller | dbsnp_138.hg19.vcf | dbsnp文件名称（可选dbsnp_138.hg19.vcf或者dbsnp_138.b37.vcf），使用GATK官方推荐的knowsites输入文件，下载自Broad的FTP |
| thread | sentieon | 8 | 线程数 |
| emit_conf | sentieon variant caller | 30 | 在vcf结果文件中，低于指定值的位点则不进行报告 |
| call_conf | sentieon variant caller | 30 | 设定variant位点的置信阈值，低于该阈值则为low quality |
| refname | sentieon | hg19 | 流程中使用的reference（可选hg19或者b37），reference文献下载自Broad的FTP |
| knowsites_IndekRealigner | sentieon Indel realigner | Mills_and_1000G_gold_standard.indels.hg19.sites.vcf& 1000G_phase1.indels.hg19.sites.vcf |
Indel realigner 步骤knowsites输入文件名称（可选hg19或者b37的相关文件，多个文件名称使用&连接），使用GATK官方推荐的knowsites输入文件，下载自Broad的FTP |