Aaron McKenna Matthew Hanna Eric Banks Andrey Sivachenko et al

摘要

下一代DNA测序（NGS）项目，如“千人基因组计划”，已开始深刻改变我们对个体间遗传变异的理解。然而，NGS所产生的海量数据——仅“千人基因组计划”先导项目就包含近五拍字节（terabases）的数据——使得即便是计算能力较强的科研人员，也难以编写出功能丰富、高效且稳健的分析工具。事实上，由于这些测序设备所生成数据的访问与处理极为复杂，许多专业研究人员在回答科学问题时，其研究范围和效率都受到严重限制。在此，我们介绍基因组分析工具包（Genome Analysis Toolkit, GATK），这是一个基于MapReduce函数式编程思想设计的结构化编程框架，旨在简化针对下一代DNA测序仪的高效、稳健分析工具的开发。GATK提供了一组精炼但功能丰富的数据访问模式，涵盖了绝大多数分析工具的需求。通过将具体的分析计算与通用的数据管理基础设施相分离，我们能够对GATK框架进行优化，以确保其在正确性、稳定性以及CPU和内存使用效率方面的卓越表现，并支持分布式计算与共享内存并行处理。我们通过描述覆盖度计算器和单核苷酸多态性（SNP）检测等稳健且具备良好可扩展性的工具的实现与应用，展示了GATK的强大能力。最终我们认为，GATK编程框架使开发者和分析人员能够快速、便捷地编写出高效且可靠的NGS分析工具，其中许多工具已成功应用于“千人基因组计划”和“癌症基因组图谱”（The Cancer Genome Atlas）等大规模测序项目中。