2. Mutect2 的安装与配置：环境依赖与运行流程归纳总结

好，咱们直接进入正题。这一章我带你把 Mutect2 的安装和配置捋一遍。说实话，很多人在这一步就栽了跟头——不是缺依赖，就是版本没对上。我自己也踩过几次坑，所以这一章我会把那些容易忽略的细节都点出来。

2.1 环境依赖概览

在装 Mutect2 之前，你得先把环境搭好。它不是一个孤立的工具，而是 GATK 套件里的一员。所以，你装的其实是 GATK，然后调用里面的 Mutect2 模块。

我建议你先把下面这几样准备好：

依赖项	版本要求	说明
Java Runtime (JRE)	≥ 1.8	GATK 4.x 依赖 Java 8 或更高版本
GATK	4.2.x 或 4.3.x	Mutect2 是 GATK 中的一个工具
参考基因组	GRCh38 / hg19	必须建立 .dict 和 .fai 索引
BAM / CRAM 文件	已排序、去重	最好有 .bai 或 .crai 索引
内存	≥ 8 GB 推荐 16 GB	WGS 数据建议 32 GB 以上

2.2 安装方式详解

安装 GATK 有几种主流方式。我个人比较偏爱 Docker 和 Conda，因为隔离性好，版本切换也方便。不过你要是只在服务器上跑一次任务，直接下载 jar 包也够用。

方式一：直接下载 GATK jar 包

去 GATK 的官方 GitHub Release 页面，找到对应版本，下载 gatk-package-<version>.zip。解压后，里面有一个 gatk 脚本和 gatk-package-<version>-local.jar。

# 解压
unzip gatk-4.2.6.1.zip
cd gatk-4.2.6.1

# 验证能否运行
./gatk --version

只要能打印出版本号，就算装好了。嗯，就是这么简单。

方式二：使用 Conda 安装

你要是已经用 Conda 管理生物信息软件，那直接一行命令搞定：

conda create -n gatk_env -c bioconda gatk4
conda activate gatk_env
gatk --version

方式三：Docker 容器

这是我最推荐的方式，尤其是做生产环境或需要在集群上跑任务时。Broad Institute 官方维护了 GATK 的 Docker 镜像。

# 拉取最新版
docker pull broadinstitute/gatk:latest

# 运行 Mutect2（交互式）
docker run --rm -v /your/data:/data broadinstitute/gatk gatk Mutect2 \
    -R /data/ref/hg38.fa \
    -I /data/tumor.bam \
    -O /data/output.vcf.gz

用 Docker 的好处是——你永远不会把宿主机的 Java 环境搞乱。我曾经在服务器上同时维护三个 Java 版本，切换起来真的头疼。后来全面切到 Docker，世界清净了。

2.3 运行流程归纳

装好之后，别急着跑。Mutect2 的完整运行流程其实分三大步。我把它画成了一张流程图，方便你对照着看。

这张图把从环境准备到正式运行的五个阶段串起来了。你每次跑任务前，都可以拿它做 checklist，避免漏掉关键步骤。

第一步：预处理（数据准备）

在运行 Mutect2 之前，你的 BAM/CRAM 文件必须满足几个条件：

• 已排序（按坐标排序）
• 已去重（标记 PCR 重复）
• 已建立索引（.bai 或 .crai）
• 肿瘤-正常配对（如果有正常样本，一定要配对跑）

我自己遇到过最蠢的错误是——拿了一个没去重的 BAM 直接跑 Mutect2，结果出来的突变列表里全是 PCR 重复造成的假阳性。所以，预处理真的不能省。

第二步：运行 Mutect2 核心命令

预处理完成后，就可以跑 Mutect2 了。一个典型的肿瘤-正常配对命令如下：

gatk Mutect2 \
    -R /path/to/ref/hg38.fa \
    -I /path/to/tumor.bam \
    -I /path/to/normal.bam \
    -normal normal_sample_name \
    --germline-resource /path/to/gnomad.vcf.gz \
    --panel-of-normals /path/to/pon.vcf.gz \
    -O /path/to/output/raw_somatic.vcf.gz

第三步：过滤与阈值调优

这一步其实才刚刚进入我们这个课程的核心。Mutect2 输出的原始 VCF 里包含大量噪音，需要用 FilterMutectCalls 进行过滤。过滤阈值的设置会直接影响你最终得到的突变数量和质量。

gatk FilterMutectCalls \
    -V raw_somatic.vcf.gz \
    -R /path/to/ref/hg38.fa \
    --min-allele-fraction 0.05 \
    --max-events-in-region 2 \
    -O filtered_somatic.vcf.gz

你看，--min-allele-fraction 和 --max-events-in-region 就是两个关键的过滤阈值。在后面的章节里，我会专门讲怎么调这些参数。

2.4 验证安装是否成功

装完了、跑过了，怎么确认一切正常？我一般用下面这个小测试：

# 用自带的小测试数据跑一遍
gatk Mutect2 \
    -R /path/to/gatk/src/test/resources/large/hg38.fa \
    -I /path/to/gatk/src/test/resources/large/tumor_1.bam \
    -I /path/to/gatk/src/test/resources/large/normal_1.bam \
    -normal NA12878 \
    -O test_output.vcf.gz

# 检查输出文件是否生成
ls -lh test_output.vcf.gz

如果能正常生成 VCF 文件，且日志里没有 ERROR 级别的报错，那安装就成功了。

2.5 目录结构与文件组织

我建议你从一开始就建立清晰的文件目录结构。这看起来是小事，但等你跑了几十个样本之后，一个规范的目录结构能让你少掉很多头发。

project/
├── ref/
│   ├── hg38.fa
│   ├── hg38.fa.fai
│   └── hg38.dict
├── bam/
│   ├── tumor_sample1.bam
│   ├── tumor_sample1.bai
│   ├── normal_sample1.bam
│   └── normal_sample1.bai
├── pon/
│   └── pon.vcf.gz
├── germline/
│   └── gnomad.vcf.gz
├── output/
│   ├── raw/
│   │   └── sample1_raw.vcf.gz
│   └── filtered/
│       └── sample1_filtered.vcf.gz
└── logs/
    └── sample1_mutect2.log

我自己的习惯是：每个样本单独建一个输出目录，日志和 VCF 分开存放。这样后面做批量调参时，找文件会非常快。