第一章：GATK概述 —— 背景、版本与核心工具链

大家好，我是你们的讲师。很多年以前，我刚接触二代测序数据分析时，最头疼的就是怎么从一堆FASTQ文件里找到真实的基因突变。那时候工具没现在这么成熟，跑出来的结果真假难辨。

直到后来GATK出现，才算是给变异检测领域立了个规矩。说白了，GATK不是万能的，但它是目前行业里最靠谱的标准流程。今天这第一讲，我就带大家把这个框架搭起来。

1.1 GATK是什么？为什么它是行业标准？

GATK的全称是Genome Analysis Toolkit，由Broad Institute开发。它不是单一工具，而是围绕变异检测设计的完整分析管线。我的理解是，它把测序数据分析中各种“坑”都考虑进去了——比如测序错误、比对偏差、PCR重复等等。

为什么GATK能成为标准？核心就两点：

• 严格的统计模型：它不盲信碱基，而是用贝叶斯模型评估每个位点的可信度。我见过很多团队拿别的工具跑出阳性结果，但用GATK一校验，基本都归于测序噪音。
• Bias校正机制：专门针对测序仪、文库制备引入的系统性误差做校正，这是别的工具很少深入处理的。

1.2 关键版本差异：HG38 vs. b37，千万别用错参考基因组

嗯，这里要特别说一句。很多新手在这上面栽跟头，我曾经也犯过这个错——用了不同版本的参考基因组，结果最后怎么都对不上。

GATK官方文档里，常用的参考基因组版本有：

版本名	实际内容	常见用途
b37	基于GRCh37，但改名decoy序列	Broad内部标准，很多公开数据集在用
hg19	与b37不完全一致，有差异位点	需额外调整，容易出坑
GRCh38 / hg38	官方最新版，修正了gap和错误	新项目推荐，尤其是WGS
hs37d5	b37加上decoy序列	用于BWA-MEM比对时的最佳选择

1.3 GATK核心工具链概览：从BAM到VCF的完整流程

GATK官方给出的Best Practices管线，分为数据预处理、变异发现和变异过滤与评估三大阶段。我个人的习惯是先理清楚每个阶段的核心工具，然后才动手写脚本。

下面是GATK4中我用得最多的核心工具列表：

• MarkDuplicates：标记PCR重复，减少假阳性 - 典型内存需求：根据BAM大小，至少给4G堆内存。
• BaseRecalibrator / ApplyBQSR：碱基质量分数重校正——这是GATK最大亮点之一，后面章节会详细讲参数。
• HaplotypeCaller：核心的变异检测器——支持GVCF模式，用于群体joint calling。
• GenotypeGVCFs：将多个GVCF合并联合分型——我建议先用CombineGVCFs再Genotype，效率更高。
• VariantRecalibrator / ApplyVQSR：基于机器学习的变异质量分数重校准——用于过滤无法硬过滤掉的假阳性。

为什么流程顺序这么重要？你想想看，如果比对好之后直接去call snp，那些重复读段和测序系统错误就会被当成变异信号，结果可想而知。

1.4 核心逻辑：一张图看懂GATK工作流

下面这张图，我画了整个GATK分析管线的核心骨架。你理解这张图，就掌握了GATK的说明书。后续所有参数调优和bias校正，都是在这张图节点上做文章。

1.5 环境准备：你需要知道的命令行基础

GATK4提供了两种运行方式：直接调用gatk命令，或者用Spark模式加速。下面是我最常用的几种调用姿势，你可以直接参考：

# 最基本的MarkDuplicates命令
gatk MarkDuplicates \
    -I my_sample.bam \
    -O my_sample_dedup.bam \
    -M my_sample_metrics.txt

# BQSR推荐用两阶段：先建模，再校正
gatk BaseRecalibrator \
    -R reference.fasta \
    -I marked_dups.bam \
    --known-sites known_indels.vcf \
    -O recal_data.table

gatk ApplyBQSR \
    -R reference.fasta \
    -I marked_dups.bam \
    --bqsr-recal-file recal_data.table \
    -O recalibrated.bam

# HaplotypeCaller典型GVCF模式
gatk HaplotypeCaller \
    -R reference.fasta \
    -I recalibrated.bam \
    -ERC GVCF \
    -O sample.g.vcf.gz