]> git.donarmstrong.com Git - samtools.git/blobdiff - bam_mcns.c
* use the revised MAQ error model for mpileup
[samtools.git] / bam_mcns.c
index d337e5a290aa76a1f1faa2c8a687db4639962a16..893d2efdcd7a26f6202e0d235f2c263df1cb1772 100644 (file)
@@ -12,9 +12,9 @@
 
 struct __mc_aux_t {
        int n, M;
-       int ref, alt;
+       int ref, alt, alt2;
        double *q2p, *pdg; // pdg -> P(D|g)
-       double *alpha, *beta;
+       double *phi, *CMk; // CMk=\binom{M}{k}
        double *z, *zswap; // aux for afs
        double *afs, *afs1; // afs: accumulative AFS; afs1: site posterior distribution
        int *qsum, *bcnt;
@@ -25,12 +25,15 @@ void mc_init_prior(mc_aux_t *ma, int type, double theta)
        int i;
        if (type == MC_PTYPE_COND2) {
                for (i = 0; i <= 2 * ma->n; ++i)
-                       ma->alpha[i] = 2. * (i + 1) / (2 * ma->n + 1) / (2 * ma->n + 2);
+                       ma->phi[i] = 2. * (i + 1) / (2 * ma->n + 1) / (2 * ma->n + 2);
+       } else if (type == MC_PTYPE_FLAT) {
+               for (i = 0; i <= ma->M; ++i)
+                       ma->phi[i] = 1. / (ma->M + 1);
        } else {
                double sum;
                for (i = 0, sum = 0.; i < 2 * ma->n; ++i)
-                       sum += (ma->alpha[i] = theta / (2 * ma->n - i));
-               ma->alpha[2 * ma->n] = 1. - sum;
+                       sum += (ma->phi[i] = theta / (2 * ma->n - i));
+               ma->phi[2 * ma->n] = 1. - sum;
        }
 }
 
@@ -44,21 +47,16 @@ mc_aux_t *mc_init(int n) // FIXME: assuming diploid
        ma->qsum = calloc(4 * ma->n, sizeof(int));
        ma->bcnt = calloc(4 * ma->n, sizeof(int));
        ma->pdg = calloc(3 * ma->n, sizeof(double));
-       ma->alpha = calloc(2 * ma->n + 1, sizeof(double));
-       ma->beta = calloc((2 * ma->n + 1) * 3, sizeof(double));
+       ma->phi = calloc(ma->M + 1, sizeof(double));
+       ma->CMk = calloc(ma->M + 1, sizeof(double));
        ma->z = calloc(2 * ma->n + 1, sizeof(double));
        ma->zswap = calloc(2 * ma->n + 1, sizeof(double));
        ma->afs = calloc(2 * ma->n + 1, sizeof(double));
        ma->afs1 = calloc(2 * ma->n + 1, sizeof(double));
        for (i = 0; i <= MC_MAX_SUMQ; ++i)
                ma->q2p[i] = pow(10., -i / 10.);
-       for (i = 0; i <= ma->M; ++i) { // beta[k][g]=P(g|k/M)
-               double *bi = ma->beta + 3 * i;
-               double f = (double)i / ma->M;
-               bi[0] = (1. - f) * (1. - f);
-               bi[1] = 2 * f * (1. - f);
-               bi[2] = f * f;
-       }
+       for (i = 0; i <= ma->M; ++i)
+               ma->CMk[i] = exp(lgamma(ma->M + 1) - lgamma(i + 1) - lgamma(ma->M - i + 1));
        mc_init_prior(ma, MC_PTYPE_FULL, 1e-3); // the simplest prior
        return ma;
 }
@@ -68,7 +66,7 @@ void mc_destroy(mc_aux_t *ma)
        if (ma) {
                free(ma->qsum); free(ma->bcnt);
                free(ma->q2p); free(ma->pdg);
-               free(ma->alpha); free(ma->beta);
+               free(ma->phi); free(ma->CMk);
                free(ma->z); free(ma->zswap);
                free(ma->afs); free(ma->afs1);
                free(ma);
@@ -111,9 +109,13 @@ static void set_allele(int ref, mc_aux_t *ma)
        for (i = 1; i < 4; ++i) // insertion sort
                for (j = i; j > 0 && sum[j] < sum[j-1]; --j)
                        tmp = sum[j], sum[j] = sum[j-1], sum[j-1] = tmp;
-       ma->ref = sum[3]&3; ma->alt = sum[2]&3;
-       if (ref == ma->alt) tmp = ma->ref, ma->ref = ma->alt, ma->alt = tmp;
-       // note that ma->ref might not be ref in case of triallele
+       ma->ref = sum[3]&3; ma->alt = sum[2]&3; ma->alt2 = -1;
+       if (ma->ref != ref) { // the best base is not ref
+               if (ref >= 0 && ref <= 3) { // ref is not N
+                       if (ma->alt == ref) tmp = ma->ref, ma->ref = ma->alt, ma->alt = tmp; // then switch alt and ref
+                       else ma->alt2 = ma->alt, ma->alt = ma->ref, ma->ref = ref; // then set ref as ref
+               } else ma->alt2 = ma->alt, ma->alt = ma->ref, ma->ref = sum[0]&3; // then set the weakest as ref
+       }
 }
 
 static void cal_pdg(mc_aux_t *ma)
@@ -174,33 +176,6 @@ static double mc_freq_iter(double f0, const mc_aux_t *ma)
        return f;
 }
 
-static double mc_ref_prob(const mc_aux_t *ma, double *_PD, double *f_exp)
-{
-       int k, i;
-       long double PD = 0., Pref = 0., Ef = 0.;
-       for (k = 0; k <= ma->M; ++k) {
-               long double x = 1., y = 0.;
-               double *bk = ma->beta + k * 3;
-               for (i = 0; i < ma->n; ++i) {
-                       double *pdg = ma->pdg + i * 3;
-                       double z = pdg[0] * bk[0] + pdg[1] * bk[1] + pdg[2] * bk[2];
-                       x *= z;
-                       y += (pdg[1] * bk[1] + 2. * pdg[2] * bk[2]) / z;
-               }
-               PD += x * ma->alpha[k];
-               Ef += x * y * ma->alpha[k];
-       }
-       for (k = 0; k <= ma->n * 2; ++k) {
-               long double x = 1.0;
-               for (i = 0; i < ma->n; ++i)
-                       x *= ma->pdg[i * 3 + 2] * ma->beta[k * 3 + 2];
-               Pref += x * ma->alpha[k];
-       }
-       *f_exp = (double)(Ef / PD / ma->M);
-       *_PD = PD;
-       return Pref / PD;
-}
-
 int mc_call_gt(const mc_aux_t *ma, double f0, int k)
 {
        double sum, g[3];
@@ -219,54 +194,48 @@ int mc_call_gt(const mc_aux_t *ma, double f0, int k)
        if (q > 99) q = 99;
        return q<<2|max_i;
 }
-// calculate z_{nr}^{(k)}
-static void mc_cal_z(mc_aux_t *ma, int k)
+
+static void mc_cal_z(mc_aux_t *ma)
 {
-       double *z[2], *tmp, *bk, *pdg;
+       double *z[2], *tmp, *pdg;
        int i, j;
        z[0] = ma->z;
        z[1] = ma->zswap;
-       bk = ma->beta + k * 3; pdg = ma->pdg;
+       pdg = ma->pdg;
        z[0][0] = 1.; z[0][1] = z[0][2] = 0.;
        for (j = 0; j < ma->n; ++j) {
                int max = (j + 1) * 2;
                double p[3];
                pdg = ma->pdg + j * 3;
-               p[0] = bk[0] * pdg[0]; p[1] = bk[1] * pdg[1]; p[2] = bk[2] * pdg[2];
+               p[0] = pdg[0]; p[1] = 2. * pdg[1]; p[2] = pdg[2];
                z[1][0] = p[0] * z[0][0];
                z[1][1] = p[0] * z[0][1] + p[1] * z[0][0];
                for (i = 2; i <= max; ++i)
                        z[1][i] = p[0] * z[0][i] + p[1] * z[0][i-1] + p[2] * z[0][i-2];
                if (j < ma->n - 1) z[1][max+1] = z[1][max+2] = 0.;
+//             int k; for (k = 0; k <= max; ++k) printf("%d:%.3lg ", k, z[1][k]); putchar('\n');
                tmp = z[0]; z[0] = z[1]; z[1] = tmp;
        }
        if (z[0] != ma->z) memcpy(ma->z, z[0], sizeof(double) * (2 * ma->n + 1));
 }
-// Warning: this is cubic in ma->n, very sloooooow
-static void mc_add_afs(mc_aux_t *ma, double PD, double *f_map, double *p_map)
+
+static double mc_add_afs(mc_aux_t *ma)
 {
-       int k, l;
-       double sum = 0.;
-       memset(ma->afs1, 0, sizeof(double) * (2 * ma->n + 1));
-       for (k = 0; k <= 2 * ma->n; ++k) {
-               mc_cal_z(ma, k);
-               for (l = 0; l <= 2 * ma->n; ++l)
-                       ma->afs1[l] += ma->alpha[k] * ma->z[l] / PD;
+       int k;
+       long double sum = 0.;
+       memset(ma->afs1, 0, sizeof(double) * (ma->M + 1));
+       mc_cal_z(ma);
+       for (k = 0, sum = 0.; k <= ma->M; ++k)
+               sum += (long double)ma->phi[k] * ma->z[k] / ma->CMk[k];
+       for (k = 0; k <= ma->M; ++k) {
+               ma->afs1[k] = ma->phi[k] * ma->z[k] / ma->CMk[k] / sum;
+               if (isnan(ma->afs1[k]) || isinf(ma->afs1[k])) return -1.;
        }
-       for (k = 0; k <= 2 * ma->n; ++k) {
+       for (k = 0, sum = 0.; k <= ma->M; ++k) {
                ma->afs[k] += ma->afs1[k];
-               sum += ma->afs1[k];
-       }
-       {
-               int max_k = 0;
-               double max = -1., e = 0.;
-               for (k = 0; k <= 2 * ma->n; ++k) {
-                       if (ma->afs1[k] > max) max = ma->afs1[k], max_k = k;
-                       e += k * ma->afs1[k];
-               }
-               *f_map = .5 * max_k / ma->n; *p_map = max; // e should equal mc_rst_t::f_exp
-//             printf(" * %.3lg:%.3lg:%.3lg:%.3lg * ", sum, 1.-.5*max_k/ma->n, max, 1.-.5*e/ma->n);
+               sum += k * ma->afs1[k];
        }
+       return sum / ma->M;
 }
 
 int mc_cal(int ref, int *n, const bam_pileup1_t **plp, mc_aux_t *ma, mc_rst_t *rst, int level)
@@ -280,7 +249,7 @@ int mc_cal(int ref, int *n, const bam_pileup1_t **plp, mc_aux_t *ma, mc_rst_t *r
        set_allele(ref, ma);
        cal_pdg(ma);
        // set ref/major allele
-       rst->ref = ma->ref; rst->alt = ma->alt;
+       rst->ref = ma->ref; rst->alt = ma->alt; rst->alt2 = ma->alt2;
        // calculate naive and Nielsen's freq
        rst->f_naive = mc_freq0(ma, &rst->f_nielsen);
        { // calculate f_em
@@ -291,10 +260,10 @@ int mc_cal(int ref, int *n, const bam_pileup1_t **plp, mc_aux_t *ma, mc_rst_t *r
                        flast = rst->f_em;
                }
        }
-       if (level >= 2) // quadratic-time calculations; necessary for genotyping
-               rst->p_ref = mc_ref_prob(ma, &rst->PD, &rst->f_exp);
-       if (level >= 3)
-               mc_add_afs(ma, rst->PD, &rst->f_map, &rst->p_map);
+       if (level >= 2) {
+               rst->f_exp = mc_add_afs(ma);
+               rst->p_ref = ma->afs1[ma->M];
+       }
        return tot;
 }