In questa pagina viene spiegato come eseguire Sentieon® DNASeq® come pipeline Google Cloud per l'analisi genomica secondaria. La pipeline corrisponde ai seguenti risultati delle best practice per il toolkit di analisi del genoma (GATK) versione 3.7:
- Allineamento
- Ordinamento
- Rimozione duplicata
- Ricalibrazione del punteggio di qualità di base (BQSR)
- Chiamata variante
I formati di input includono:
- file fastq
- File BAM allineati e ordinati
Obiettivi
Dopo aver completato questo tutorial, saprai come:
- Esegui una pipeline su Google Cloud utilizzando Sentieon® DNASeq®
- Scrivere file di configurazione per diversi casi d'uso di Sentieon® DNASeq®
Costi
In questo documento vengono utilizzati i seguenti componenti fatturabili di Google Cloud:
- Compute Engine
- Cloud Storage
Per generare una stima dei costi in base all'utilizzo previsto,
utilizza il Calcolatore prezzi.
Prima di iniziare
- Installa Python 2.7 o versioni successive. Per ulteriori informazioni sulla configurazione dell'ambiente di sviluppo Python, ad esempio sull'installazione di pip sul sistema, consulta la guida alla configurazione dell'ambiente di sviluppo Python.
- Accedi al tuo account Google Cloud. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Abilita le API Cloud Life Sciences, Compute Engine, and Cloud Storage.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Abilita le API Cloud Life Sciences, Compute Engine, and Cloud Storage.
- Installa Google Cloud CLI.
-
Per initialize gcloud CLI, esegui questo comando:
gcloud init
-
Aggiorna e installa i componenti di
gcloud
:gcloud components update
gcloud components install beta - Installa Git per scaricare i file richiesti.
-
Per impostazione predefinita, Compute Engine prevede quote delle risorse
per evitare utilizzi involontari. Aumentando le quote, puoi avviare più macchine virtuali contemporaneamente, aumentando la velocità effettiva e riducendo i tempi di risposta.
Per ottenere risultati ottimali in questo tutorial, devi richiedere una quota aggiuntiva superiore a quella predefinita del progetto. I suggerimenti per gli aumenti di quota sono forniti nell'elenco seguente insieme alle quote minime necessarie per eseguire il tutorial. Effettua le tue richieste di quota nella regione
us-central1
:- CPU: 64
- Persistent Disk Standard (GB): 375
Puoi lasciare vuoti gli altri campi di richiesta della quota per mantenere le quote attuali.
Licenza di valutazione Sentieon®
Quando utilizzi questa pipeline, Sentieon® ti concede automaticamente una licenza di valutazione gratuita di due settimane del suo software da utilizzare con Google Cloud. Per ricevere la licenza, inserisci il tuo indirizzo email nel campo EMAIL
durante la configurazione della pipeline. Per informazioni sull'impostazione di questo campo, consulta Descrizione del formato di input.
Per continuare a utilizzare Sentieon® dopo la scadenza della licenza di valutazione, contatta support@sentieon.com.
Configurare l'ambiente locale e installare i prerequisiti
Se non hai virtualenv, esegui questo comando per installarlo utilizzando pip:
pip install virtualenv
Esegui questo comando per creare un ambiente Python isolato e installare le dipendenze:
virtualenv env source env/bin/activate pip install --upgrade \ pyyaml \ google-api-python-client \ google-auth \ google-cloud-storage \ google-auth-httplib2
Scarica lo script della pipeline
Esegui questo comando per scaricare i file di esempio e impostare la directory attuale:
git clone https://github.com/sentieon/sentieon-google-genomics.git cd sentieon-google-genomics
Informazioni sul formato di input
La pipeline utilizza i parametri specificati in un file JSON come input.
Nel repository che hai scaricato è presente un file examples/example.json
con i seguenti contenuti:
{ "FQ1": "gs://sentieon-test/pipeline_test/inputs/test1_1.fastq.gz", "FQ2": "gs://sentieon-test/pipeline_test/inputs/test1_2.fastq.gz", "REF": "gs://sentieon-test/pipeline_test/reference/hs37d5.fa", "OUTPUT_BUCKET": "gs://BUCKET", "ZONES": "us-central1-a,us-central1-b,us-central1-c,us-central1-f", "PROJECT_ID": "PROJECT_ID" "REQUESTER_PROJECT": "PROJECT_ID", "EMAIL": "YOUR_EMAIL_HERE" }
Nella tabella seguente vengono descritte le chiavi JSON presenti nel file:
Chiave JSON | Descrizione |
---|---|
FQ1 |
La prima coppia di letture nel file fastq di input. |
FQ2 |
La seconda coppia di letture nel file fastq di input. |
BAM |
Il file BAM di input, se applicabile. |
REF |
Il genoma di riferimento. Se impostato, si presume che esistano file di indice fastq/BAM. |
OUTPUT_BUCKET |
Il bucket e la directory utilizzati per archiviare l'output dei dati dalla pipeline. |
ZONES |
Un elenco separato da virgole di zone Google Cloud da utilizzare per il nodo worker. |
PROJECT_ID |
L'ID del tuo progetto Google Cloud. |
REQUESTER_PROJECT |
Un progetto da fatturare durante il trasferimento dei dati dai bucket Pagamenti a carico del richiedente. |
EMAIL |
Il tuo indirizzo email. |
esegui la pipeline.
Nella directory
sentieon-google-genomics
, modifica il fileexamples/example.json
, sostituendo le variabili BUCKET, REQUESTER_PROJECT, EMAIL e PROJECT_ID con le risorse pertinenti del tuo progetto Google Cloud:{ "FQ1": "gs://sentieon-test/pipeline_test/inputs/test1_1.fastq.gz", "FQ2": "gs://sentieon-test/pipeline_test/inputs/test1_2.fastq.gz", "REF": "gs://sentieon-test/pipeline_test/reference/hs37d5.fa", "OUTPUT_BUCKET": "gs://BUCKET", "ZONES": "us-central1-a,us-central1-b,us-central1-c,us-central1-f", "PROJECT_ID": "PROJECT_ID", "REQUESTER_PROJECT": "PROJECT_ID", "EMAIL": "EMAIL_ADDRESS" }
Imposta la variabile PROJECT_ID nel tuo ambiente:
export PROJECT_ID=PROJECT_ID
Esegui questo comando per eseguire la pipeline DNASeq® su un piccolo set di dati di test identificato dagli input nel file di configurazione. Per impostazione predefinita, lo script verifica che i file di input esistano nel bucket Cloud Storage prima di avviare la pipeline.
python runner/sentieon_runner.py --requester_project $PROJECT_ID examples/example.json
Se hai specificato più tentativi prerilasciabili, la pipeline si riavvia ogni volta che le relative istanze vengono prerilasciate. Al termine della pipeline, invia un messaggio alla console che indica se l'operazione è riuscita o meno.
Configurazione consigliata
Nella maggior parte dei casi, puoi ottimizzare i tempi di risposta e i costi utilizzando la seguente configurazione. La configurazione esegue un genoma umano 30 volte al costo di circa $1,25 e richiede circa 2 ore. Un esoma intero umano costa circa 0,35 $e richiede circa 45 minuti. Entrambe queste stime si basano sul prerilascio delle istanze della pipeline.
{ "FQ1": "gs://my-bucket/sample1_1.fastq.gz", "FQ2": "gs://my-bucket/sample1_2.fastq.gz", "REF": "gs://sentieon-test/pipeline_test/reference/hs37d5.fa", "OUTPUT_BUCKET": "gs://BUCKET", "BQSR_SITES": "gs://sentieon-test/pipeline_test/reference/Mills_and_1000G_gold_standard.indels.b37.vcf.gz,gs://sentieon-test/pipeline_test/reference/1000G_phase1.indels.b37.vcf.gz,gs://sentieon-test/pipeline_test/reference/dbsnp_138.b37.vcf.gz", "DBSNP": "gs://sentieon-test/pipeline_test/reference/dbsnp_138.b37.vcf.gz", "PREEMPTIBLE_TRIES": "2", "NONPREEMPTIBLE_TRY": true, "STREAM_INPUT": "True", "ZONES": "us-central1-a,us-central1-b,us-central1-c,us-central1-f", "PROJECT_ID": "PROJECT_ID", "EMAIL": "EMAIL_ADDRESS" }
Opzioni aggiuntive
Puoi personalizzare una pipeline utilizzando le opzioni aggiuntive riportate di seguito.
Opzioni del file di input
La pipeline supporta più file fastq separati da virgole come input, come mostra la seguente configurazione:
"FQ1": "gs://my-bucket/s1_prep1_1.fastq.gz,gs://my-bucket/s1_prep2_1.fastq.gz",
"FQ2": "gs://my-bucket/s1_prep1_2.fastq.gz,gs://my-bucket/s1_prep2_2.fastq.gz",
La pipeline accetta file BAM separati da virgole come input utilizzando la chiave JSON BAM
. Le letture nei file BAM non sono allineate al genoma di riferimento.
ma iniziano dalla fase di deduplicazione dei dati della pipeline. Il seguente esempio mostra una configurazione che utilizza due file BAM come input:
"BAM": "gs://my-bucket/s1_prep1.bam,gs://my-bucket/s1_prep2.bam"
Configurazione di dati dell'intera esoma o di grandi set di dati
Le impostazioni nella configurazione consigliata sono ottimizzate per i campioni dell'intero genoma umano sequenziati a una copertura media di 30 volte. Per i file di dimensioni molto più piccole o superiori rispetto ai set di dati dell'intero genoma standard, puoi aumentare o diminuire le risorse disponibili per l'istanza. Per ottenere risultati ottimali con set di dati di grandi dimensioni, utilizza le seguenti impostazioni:
{ "FQ1": "gs://sentieon-test/pipeline_test/inputs/test1_1.fastq.gz", "FQ2": "gs://sentieon-test/pipeline_test/inputs/test1_2.fastq.gz", "REF": "gs://sentieon-test/pipeline_test/reference/hs37d5.fa", "OUTPUT_BUCKET": "gs://BUCKET", "ZONES": "us-central1-a,us-central1-b,us-central1-c,us-central1-f", "PROJECT_ID": "PROJECT_ID", "EMAIL": "EMAIL_ADDRESS", "DISK_SIZE": 600, "MACHINE_TYPE": "n1-highcpu-64", "CPU_PLATFORM": "Intel Broadwell" }
La tabella seguente fornisce una descrizione delle impostazioni utilizzate:
Chiave JSON | Descrizione |
---|---|
DISK_SIZE |
Spazio SSD disponibile per il nodo worker. |
MACHINE_TYPE |
Il tipo di macchina virtuale Compute Engine da utilizzare. Il valore predefinito è n1-standard-1 . |
CPU_PLATFORM |
La piattaforma CPU da richiedere. Deve essere un nome valido della piattaforma CPU di Compute Engine (ad esempio "Intel Skylake"). |
Istanze prerilasciabili
Puoi utilizzare le istanze prerilasciabili nella tua pipeline impostando la chiave JSON PREEMPTIBLE_TRIES
.
Per impostazione predefinita, il runner prova a eseguire la pipeline con un'istanza standard se i tentativi prerilasciabili sono esauriti o se la chiave JSON NONPREEMPTIBLE_TRY
è impostata su 0
. Puoi disattivare questo comportamento impostando la chiave NONPREEMPTIBLE_TRY
su false
, come mostrato nella seguente configurazione:
"PREEMPTIBLE_TRIES": 2,
"NONPREEMPTIBLE_TRY": false
La tabella seguente fornisce una descrizione delle impostazioni utilizzate:
Chiave JSON | Descrizione |
---|---|
PREEMPTIBLE_TRIES |
Il numero di tentativi di inserimento della pipeline quando si utilizzano istanze prerilasciabili. |
NONPREEMPTIBLE_TRY |
Determina se provare a eseguire la pipeline con un'istanza standard dopo l'esaurimento dei tentativi prerilasciabili. |
Gruppi di lettura
I gruppi di lettura vengono aggiunti quando i file fastq sono allineati con un genoma di riferimento utilizzando Sentieon® BWA. Puoi specificare più gruppi di lettura separati da virgole.
Il numero di gruppi di lettura deve corrispondere al numero di file fastq di input.
Il gruppo di lettura predefinito è @RG\\tID:read-group\\tSM:sample-name\\tPL:ILLUMINA
.
Per modificare il gruppo di lettura, imposta la chiave READGROUP
nel file di input JSON, come mostrato nella seguente configurazione:
"READGROUP": "@RG\\tID:my-rgid-1\\tSM:my-sm\\tPL:ILLUMINA,@RG\\tID:my-rgid-2\\tSM:my-sm\\tPL:ILLUMINA"
La tabella seguente fornisce una descrizione dell'impostazione utilizzata:
Chiave JSON | Descrizione |
---|---|
READGROUP |
Un gruppo di lettura contenente metadati di esempio. |
Per saperne di più sui gruppi di lettura, vedi Gruppi di lettura.
Streaming dell'input da Cloud Storage
Puoi trasmettere flussi di file fastq di input da Cloud Storage, riducendo il tempo di esecuzione totale della pipeline. Per trasmettere in streaming i file FastQ di input da Cloud Storage, imposta la chiave JSON STREAM_INPUT
su True
:
"STREAM_INPUT": "True"
La tabella seguente fornisce una descrizione dell'impostazione utilizzata:
Chiave JSON | Descrizione |
---|---|
STREAM_INPUT |
Determina se trasmettere in streaming i file fastq di input direttamente da Cloud Storage. |
Contrassegno duplicato
Per impostazione predefinita, la pipeline rimuove le letture duplicate dai file BAM. Puoi
modificare questo comportamento impostando la chiave JSON DEDUP
, come mostrato nella
seguente configurazione:
"DEDUP": "markdup"
La tabella seguente fornisce una descrizione dell'impostazione utilizzata:
Chiave JSON | Descrizione |
---|---|
DEDUP |
Comportamento di contrassegno duplicato. Valori validi:
|
Ricalibrazione del punteggio di qualità di base (BQSR) e siti noti
BSQR richiede siti di variazione genetica noti. Il comportamento predefinito prevede
di saltare questa fase della pipeline. Tuttavia, puoi abilitare BSQR fornendo ai siti noti la chiave JSON BQSR_SITES
. Se viene specificato, è possibile utilizzare un file DBSNP
per annotare le varianti di output durante la chiamata delle varianti.
"BQSR_SITES": "gs://my-bucket/reference/Mills_and_1000G_gold_standard.indels.b37.vcf.gz,gs://my-bucket/reference/1000G_phase1.indels.b37.vcf.gz,gs://my-bucket/reference/dbsnp_138.b37.vcf.gz",
"DBSNP": "gs://sentieon-test/pipeline_test/reference/dbsnp_138.b37.vcf.gz"
La tabella seguente fornisce una descrizione delle impostazioni utilizzate:
Chiave JSON | Descrizione |
---|---|
BSQR_SITES |
Attiva BSQR e utilizza un elenco separato da virgole di file forniti come siti noti. |
DBSNP |
Un file dbsrc utilizzato durante la chiamata delle varianti. |
Intervalli
Per alcune applicazioni, come il sequenziamento mirato o dell'intero esoma, potresti
essere interessato solo a una parte del genoma. In questi casi, fornire un file di intervalli target può accelerare l'elaborazione e ridurre le chiamate alle varianti fuori target di bassa qualità. Puoi utilizzare gli intervalli con le chiavi JSON INTERVAL_FILE
e INTERVAL
.
"INTERVAL_FILE": "gs://my-bucket/capture-targets.bed",
"INTERVAL": "9:80331190-80646365"
La tabella seguente fornisce una descrizione delle impostazioni utilizzate:
Chiave JSON | Descrizione |
---|---|
INTERVAL_FILE |
Un file contenente gli intervalli genomici da elaborare. |
INTERVAL |
Una stringa contenente un intervallo genomico da elaborare. |
Opzioni di output
Per impostazione predefinita, la pipeline produce una BAM pre-elaborata, metriche di controllo qualità e chiamate di varianti. Puoi disabilitare uno qualsiasi di questi output utilizzando le chiavi JSON NO_BAM_OUTPUT
, NO_METRICS
e NO_HAPLOTYPER
. Se l'argomento NO_HAPLOTYPER
non viene fornito o se NULL
, puoi utilizzare la chiave JSON GVCF_OUTPUT
per produrre chiamate di varianti in formato gVCF anziché in formato VCF.
"NO_BAM_OUTPUT": "true",
"NO_METRICS": "true",
"NO_HAPLOTYPER": "true",
"GVCF_OUTPUT": "true",
La tabella seguente fornisce una descrizione delle impostazioni utilizzate:
Chiave JSON | Descrizione |
---|---|
NO_BAM_OUTPUT |
Determina se restituire un file BAM pre-elaborato. |
NO_METRICS |
Determina se eseguire l'output delle metriche del file. |
NO_HAPLOTYPER |
Determina se eseguire l'output delle chiamate delle varianti. |
GVCF_OUTPUT |
Determina se eseguire l'output delle chiamate delle varianti in formato gVCF. |
Versioni Sentieon® DNASeq®
Puoi utilizzare qualsiasi versione recente del pacchetto software Sentieon® DNASeq® con l'API Cloud Life Sciences specificando la chiave JSON SENTIEON_VERSION
, in questo modo:
"SENTIEON_VERSION": "201808.08"
Sono valide le seguenti versioni:
201711.01
201711.02
201711.03
201711.04
201711.05
201808
201808.01
201808.03
201808.05
201808.06
201808.07
201808.08
Esegui la pulizia
Al termine del tutorial, puoi liberare le risorse che hai creato su Google Cloud in modo che non ti vengano addebitati costi in futuro. Le sezioni seguenti descrivono come eliminare o disattivare queste risorse.
Elimina il progetto
Il modo più semplice per eliminare la fatturazione è quello di eliminare il progetto utilizzato per il tutorial.
Per eliminare il progetto:
- Nella console Google Cloud, vai alla pagina Progetti.
-
Nell'elenco dei progetti, selezionare quello da eliminare e fai clic su Elimina progetto.
- Nella finestra di dialogo, digita l'ID del progetto e fai clic su Chiudi per eliminare il progetto.
Passaggi successivi
- In caso di domande sulla pipeline o se riscontri problemi, invia un'email all'indirizzo support@sentieon.com.