去duplicate的方法

1.什么是duplicate，为什么要去除。

什么是duplicate：这是在建库的过程后，对已连有接头的DNA片段进行扩增，然后去接flowcell。之所以在建库后扩增，这是由于接flowcell的效率很低，建库后的分子很少。

为什么要去除：因为PCR duplicate后就会导致一个序列被重复测了多次。如果这个序列在后面的分析中有突变位点，则不去pcr dup就会增加它的深度，然后被定位真的突变位点。

2.主要有运用两种工具：samtools和picard

samtools

A:利用flags值：samtools view -F 1024 - h test.bam >rmdup.bam

B:rmdup工具：samtools rmdup test.bam rmdup.bam

C1:fixmate和markdup工具：samtools markdup test.bam markdup.bam

C2:fixmate和markdup工具：samtools markdup -r test.bam markdup.bam

类型	wc -l 查看read数目	备注
去重前	4888252
去重A	4888252	用于测试的sam文件中的flags值最高只到181，所以是没有过滤掉任何reads。 sam文件来自于比对软件bwa，那么flags值是否。
去重B	4888252	说明只是在duplicate read上标注，并没有将它从sam文件中去除
去重C1	4888252	说明只是在duplicate read上标注，并没有将它从sam文件中去除
去重C2	3930244	说明已经将duplicate read从sam文件中去除
去重D1	4888252	说明只是在duplicate read上标注，并没有将它从sam文件中去除
去重D2	3930212	说明已经将duplicate read从sam文件中去除

picard

D1:java -jar picard.jar MarkDuplicate I=test.bam O=picard1.bam M=picard1.txt  (test.bam是坐标轴排序的bam文件）

D2:java -jar picard.jar MarkDuplicate REMOVE_DUPLICATES I=test.bam O=picard1.bam M=picard1.txt