bwa用法笔记

一.BWA简介

bwa（全称Burrows-Wheeler Aligner），主要功能是将差异度较小的序列比对到一个较大的参考基因组上。其中提供了三种算法：

算法	应用场景
BWA-backtrack	illumina测序结果（reads长度不超过100bp）
BWA-SW	支持序列长度70bp-1Mbp，同时支持剪接性比对(`split alignments`)
BWA-MEM	最常用，最新，最准确，支持序列长度70bp-1Mbp，表现比BWA-backtrack好

二.构建index

官方文档说明：

1	bwa index [-p prefix] [-a algoType] <in.db.fasta>

其中需要的数据库序列为fasta格式。

选项介绍：

-p 输出数据库的前缀（默认和输入的文件名一致，输出的数据库在其输入文件所在的文件夹，并以该文件名为前缀）

-a 表示构造BWT索引的算法。可用选项有:
    
is 是默认的算法，虽然相对较快，但是需要较大的内存，当构建的数据库大于2GB的时候就不能正常工作了。
 
bwtsw 对于短的参考序列式不工作的，必须要大于等于10MB, 但能用于较大的基因组数据，比如人的全基因组。

三.数据比对

数据比对大多使用MEM(maximal exact matches) 进行 seeding alignments，再使用 SW(affine-gap Smith-Waterman) 算法进行 seeds 的延伸。

BWA–MEM 算法执行局部比对和剪接性。可能会出现 query 序列的多个不同的部位出现各自的最优匹配，导致 reads 有多个最佳匹配位点。这对 long reads 的比对是比较重要的结果。但是却会和 Picard 的 markDuplicates 程序不兼容。

使用方法：

1
2

bwa mem [potions] ref.fa reads.fq [mates.fq]
#mem 进行局部比对，因此，对于一条序列的不同区域可能会产生多种最优匹配结果， 这对于long reads 来说尤为重要。 有些软件如 Picard’s markDuplicates 跟 mem 的这种剪接性比对不兼容,在这种情况下，可以使用 –M 选项来将 shorter split hits 标记为次优。

常用选项：

-t  线程数，默认为1。
-M  将 shorter split hits 标记为次优，以兼容 Picard’s markDuplicates 软件。
-p  若无此参数：输入文件只有1个，进行单端比对；若输入文件有2个，则作为paired reads进行比对。若加入此参数：则仅以第1个文件作为输入(输入的文件若有2个，则忽略之)，该文件必须是read1.fq和read2.fa进行reads交叉的数据。
-R STR  完整的read group的头部，可以用 '\t' 作为分隔符， 在输出的SAM文件中被解释为制表符TAB. read group 的ID，会被添加到输出文件的每一个read的头部。
-T INT  当比对的分值比 INT 小时，不输出该比对结果，这个参数只影响输出的结果，不影响比对的过程。
-a      将所有的比对结果都输出，包括 single-end 和 unpaired paired-end的 reads，但是这些比对的结果会被标记为次优。

运行例子：

1
2
3

bwa mem ref.fa reads.fq > mem-se.sam
bwa mem ref.fa read1.fq read2.fq > mem-pe.sam
bwa mem -t 4 -M -R "\@RG\tID:{library}\tLB:{library}\tPL:Illumina\tPU:{sample}\tSM:{sample}\"  ref.fa read1.fastq read2.fastq > mem-pe.sam 2> ./mem-pe.log

参考资料：