【直播】我的基因组（十八）：初步分析PCR duplication的情况

Jimmy博客里面有详细讲读原文查解去除PCR duplication的reads的原理和方法，还比较了samtools和picard这两个软件的区别，请点击阅看（仔细探究samtools的rmdup是如何行使去除PCR重复reads功能的），或者复制链接（http://www.bio-info-trainee.com/2003.html）到浏览器查看。

去除PCR duplication的reads用samtools或者picard均可，对单端测序数据来说，去除掉比对到同一个基因组坐标的reads即可，当然要保证比对的flag是一致的。但是单端测序比对flag情况只有0,4,16，flag很容易一致。然而对于双端测序来说，去除PCR重复不仅仅需要它们比对到的染色体起始终止位置相同，更重要的是flag的一致。在双端测序里面存在着一大堆的flag情况，如果flag不一致，比对到基因组同一坐标也不会认为是PCR的duplication。还有要考虑插入片段的大小，就是第9列，如果第9列不一致，这个双端测序也不会被当做PCR duplication而去除。

很明显，公司给我的bam文件里面并没有去除pcr duplicate，比如下面：

这3条reads虽然都比对到了1号染色体的第13145个碱基的位置，但是尾号为63261的reads跟另外两个的flag不一致，所以它被保留下来，而另外两条reads虽然flag一致，但是第九列插入片段不一致，也不会被当做duplication被去除。

下面这种情况才是需要去除的PCR duplication，而且它们的flag是1017，代表它们的另一端read并没有成功比对。

（请务必反复看这个示意图，并且自己找bam文件来理解我说的这段话）

而且他们给我的报告里面提到过有15%的duplication情况，我用Qualimap软件可视化如下：

可以看到大部分情况是duplicate一次，很少有多次重复的。

那么为什么要去除这个duplication呢？主要是因为在call snp的时候，如果某个变异位点的变异碱基都是来自于PCR重复，而我们却认为它深度足够判断是真的变异位点，这个结论其实有很大可能是假阳性。

文：Jimmy、阿尔的太阳

图文编辑：吃瓜群众