]> git.donarmstrong.com Git - bamtools.git/blobdiff - src/api/internal/BamMultiReader_p.cpp
Implemented proper -byname sorting (finally).
[bamtools.git] / src / api / internal / BamMultiReader_p.cpp
diff --git a/src/api/internal/BamMultiReader_p.cpp b/src/api/internal/BamMultiReader_p.cpp
new file mode 100644 (file)
index 0000000..01cdf8f
--- /dev/null
@@ -0,0 +1,565 @@
+// ***************************************************************************
+// BamMultiReader_p.cpp (c) 2010 Derek Barnett, Erik Garrison
+// Marth Lab, Department of Biology, Boston College
+// All rights reserved.
+// ---------------------------------------------------------------------------
+// Last modified: 23 December 2010 (DB)
+// ---------------------------------------------------------------------------
+// Functionality for simultaneously reading multiple BAM files
+// *************************************************************************
+
+#include <api/BamAlignment.h>
+#include <api/BamMultiReader.h>
+#include <api/internal/BamMultiMerger_p.h>
+#include <api/internal/BamMultiReader_p.h>
+using namespace BamTools;
+using namespace BamTools::Internal;
+
+#include <algorithm>
+#include <fstream>
+#include <iostream>
+#include <iterator>
+#include <sstream>
+using namespace std;
+
+// ctor
+BamMultiReaderPrivate::BamMultiReaderPrivate(void)
+    : m_alignments(0)
+    , m_isCoreMode(false)
+    , m_isSortedByPosition(true)
+{ }
+
+// dtor
+BamMultiReaderPrivate::~BamMultiReaderPrivate(void) {
+
+    // close all open BAM readers
+    Close();
+
+    // clean up alignment cache
+    delete m_alignments;
+    m_alignments = 0;
+}
+
+// close the BAM files
+void BamMultiReaderPrivate::Close(void) {
+
+    // clear out alignment cache
+    m_alignments->Clear();
+
+    // iterate over readers
+    vector<ReaderAlignment>::iterator readerIter = m_readers.begin();
+    vector<ReaderAlignment>::iterator readerEnd  = m_readers.end();
+    for ( ; readerIter != readerEnd; ++readerIter ) {
+
+        // close reader
+        BamReader*    reader    = (*readerIter).first;
+        BamAlignment* alignment = (*readerIter).second;
+        if ( reader ) reader->Close();
+
+        // delete pointers
+        delete reader;
+        reader = 0;
+        delete alignment;
+        alignment = 0;
+    }
+
+    // clear out readers
+    m_readers.clear();
+
+    // reset flags
+    m_isCoreMode = false;
+    m_isSortedByPosition = true;
+}
+
+// saves index data to BAM index files (".bai"/".bti") where necessary, returns success/fail
+bool BamMultiReaderPrivate::CreateIndexes(bool useStandardIndex) {
+
+    bool result = true;
+    vector<ReaderAlignment>::iterator readerIter = m_readers.begin();
+    vector<ReaderAlignment>::iterator readerEnd  = m_readers.end();
+    for ( ; readerIter != readerEnd; ++readerIter ) {
+        BamReader* reader = (*readerIter).first;
+        result &= reader->CreateIndex(useStandardIndex);
+    }
+    return result;
+}
+
+const string BamMultiReaderPrivate::ExtractReadGroup(const string& headerLine) const {
+
+    string readGroup("");
+    stringstream headerLineSs(headerLine);
+    string part;
+
+    // parse @RG header line, looking for the ID: tag
+    while( getline(headerLineSs, part, '\t') ) {
+        stringstream partSs(part);
+        string subtag;
+        getline(partSs, subtag, ':');
+        if ( subtag == "ID" ) {
+            getline(partSs, readGroup, ':');
+            break;
+        }
+    }
+    return readGroup;
+}
+
+// makes a virtual, unified header for all the bam files in the multireader
+const string BamMultiReaderPrivate::GetHeaderText(void) const {
+
+    // just spit single header out if only have one reader open
+    if ( m_readers.size() == 1 ) {
+
+
+        vector<ReaderAlignment>::const_iterator readerBegin = m_readers.begin();
+        const ReaderAlignment& entry = (*readerBegin);
+        const BamReader* reader = entry.first;
+        if ( reader == 0 ) return "";
+        return reader->GetHeaderText();
+    }
+
+    string mergedHeader = "";
+    map<string, bool> readGroups;
+
+    // foreach extraction entry (each BAM file)
+    vector<ReaderAlignment>::const_iterator readerBegin = m_readers.begin();
+    vector<ReaderAlignment>::const_iterator readerIter  = readerBegin;
+    vector<ReaderAlignment>::const_iterator readerEnd   = m_readers.end();
+    for ( ; readerIter != readerEnd; ++readerIter ) {
+
+        // get header from reader
+        const BamReader* reader = (*readerIter).first;
+        if ( reader == 0 ) continue;
+        string headerText = reader->GetHeaderText();
+        if ( headerText.empty() ) continue;
+
+        // store header text in lines
+        map<string, bool> currentFileReadGroups;
+        const vector<string> lines = SplitHeaderText(headerText);
+
+        // iterate over header lines
+        vector<string>::const_iterator linesIter = lines.begin();
+        vector<string>::const_iterator linesEnd  = lines.end();
+        for ( ; linesIter != linesEnd; ++linesIter ) {
+
+            // get next line from header, skip if empty
+            const string headerLine = (*linesIter);
+            if ( headerLine.empty() ) { continue; }
+
+            // if first file, save HD & SQ entries
+            if ( readerIter == readerBegin ) {
+                if ( headerLine.find("@HD") == 0 || headerLine.find("@SQ") == 0) {
+                    mergedHeader.append(headerLine.c_str());
+                    mergedHeader.append(1, '\n');
+                }
+            }
+
+            // (for all files) append RG entries if they are unique
+            if ( headerLine.find("@RG") == 0 ) {
+
+                // extract read group name from line
+                const string readGroup = ExtractReadGroup(headerLine);
+
+                // make sure not to duplicate @RG entries
+                if ( readGroups.find(readGroup) == readGroups.end() ) {
+                    mergedHeader.append(headerLine.c_str() );
+                    mergedHeader.append(1, '\n');
+                    readGroups[readGroup] = true;
+                    currentFileReadGroups[readGroup] = true;
+                } else {
+                    // warn iff we are reading one file and discover duplicated @RG tags in the header
+                    // otherwise, we emit no warning, as we might be merging multiple BAM files with identical @RG tags
+                    if ( currentFileReadGroups.find(readGroup) != currentFileReadGroups.end() ) {
+                        cerr << "WARNING: duplicate @RG tag " << readGroup
+                            << " entry in header of " << reader->GetFilename() << endl;
+                    }
+                }
+            }
+        }
+    }
+
+    // return merged header text
+    return mergedHeader;
+}
+
+// get next alignment among all files
+bool BamMultiReaderPrivate::GetNextAlignment(BamAlignment& al) {
+    return LoadNextAlignment(al, false);
+}
+
+// get next alignment among all files without parsing character data from alignments
+bool BamMultiReaderPrivate::GetNextAlignmentCore(BamAlignment& al) {
+    return LoadNextAlignment(al, true);
+}
+
+// ---------------------------------------------------------------------------------------
+//
+// NB: The following GetReferenceX() functions assume that we have identical
+// references for all BAM files.  We enforce this by invoking the above
+// validation function (ValidateReaders) to verify that our reference data
+// is the same across all files on Open, so we will not encounter a situation
+// in which there is a mismatch and we are still live.
+//
+// ---------------------------------------------------------------------------------------
+
+// returns the number of reference sequences
+const int BamMultiReaderPrivate::GetReferenceCount(void) const {
+    const ReaderAlignment& firstReader = m_readers.front();
+    const BamReader* reader = firstReader.first;
+    if ( reader ) return reader->GetReferenceCount();
+    else return 0;
+}
+
+// returns vector of reference objects
+const RefVector BamMultiReaderPrivate::GetReferenceData(void) const {
+    const ReaderAlignment& firstReader = m_readers.front();
+    const BamReader* reader = firstReader.first;
+    if ( reader ) return reader->GetReferenceData();
+    else return RefVector();
+}
+
+// returns refID from reference name
+const int BamMultiReaderPrivate::GetReferenceID(const string& refName) const {
+    const ReaderAlignment& firstReader = m_readers.front();
+    const BamReader* reader = firstReader.first;
+    if ( reader ) return reader->GetReferenceID(refName);
+    else return -1; // ERROR case - how to report
+}
+
+// ---------------------------------------------------------------------------------------
+
+// checks if any readers still have alignments
+bool BamMultiReaderPrivate::HasOpenReaders(void) {
+    return ( m_alignments->Size() > 0 );
+}
+
+// returns whether underlying BAM readers ALL have an index loaded
+// this is useful to indicate whether Jump() or SetRegion() are possible
+bool BamMultiReaderPrivate::IsIndexLoaded(void) const {
+    bool ok = true;
+    vector<ReaderAlignment>::const_iterator readerIter = m_readers.begin();
+    vector<ReaderAlignment>::const_iterator readerEnd  = m_readers.end();
+    for ( ; readerIter != readerEnd; ++readerIter ) {
+        const BamReader* reader = (*readerIter).first;
+        if ( reader ) ok &= reader->IsIndexLoaded();
+    }
+    return ok;
+}
+
+// jumps to specified region(refID, leftBound) in BAM files, returns success/fail
+bool BamMultiReaderPrivate::Jump(int refID, int position) {
+
+    bool ok = true;
+    vector<ReaderAlignment>::iterator readerIter = m_readers.begin();
+    vector<ReaderAlignment>::iterator readerEnd  = m_readers.end();
+    for ( ; readerIter != readerEnd; ++readerIter ) {
+        BamReader* reader = (*readerIter).first;
+        if ( reader == 0 ) continue;
+
+        ok &= reader->Jump(refID, position);
+        if ( !ok ) {
+            cerr << "ERROR: could not jump " << reader->GetFilename()
+                 << " to " << refID << ":" << position << endl;
+            exit(1);
+        }
+    }
+
+    if (ok) UpdateAlignments();
+    return ok;
+}
+
+bool BamMultiReaderPrivate::LoadNextAlignment(BamAlignment& al, bool coreMode) {
+
+    // bail out if no more data to process
+    if ( !HasOpenReaders() ) return false;
+
+    // "pop" next alignment and reader
+    ReaderAlignment nextReaderAlignment = m_alignments->TakeFirst();
+    BamReader*    reader    = nextReaderAlignment.first;
+    BamAlignment* alignment = nextReaderAlignment.second;
+
+    // save it by copy to our argument
+    al = BamAlignment(*alignment);
+
+    // peek to next alignment & store in cache
+    m_isCoreMode = coreMode;
+    SaveNextAlignment(reader,alignment);
+
+    // return success
+    return true;
+}
+
+// opens BAM files
+bool BamMultiReaderPrivate::Open(const vector<string>& filenames,
+                                 bool openIndexes,
+                                 bool coreMode,
+                                 bool preferStandardIndex)
+{
+    // store core mode flag
+    m_isCoreMode = coreMode;
+
+    // first clear out any prior alignment cache prior data
+    if ( m_alignments ) {
+        m_alignments->Clear();
+        delete m_alignments;
+        m_alignments = 0;
+    }
+
+    // create alignment cache based on sorting mode
+    if ( m_isSortedByPosition )
+        m_alignments = new PositionMultiMerger;
+    else
+        m_alignments = new ReadNameMultiMerger;
+
+    // iterate over filenames
+    vector<string>::const_iterator filenameIter = filenames.begin();
+    vector<string>::const_iterator filenameEnd  = filenames.end();
+    for ( ; filenameIter != filenameEnd; ++filenameIter ) {
+        const string filename = (*filenameIter);
+
+        bool openedOk = true;
+        BamReader* reader = new BamReader;
+        openedOk = reader->Open(filename, "", openIndexes, preferStandardIndex);
+
+        // if file opened ok
+        if ( openedOk ) {
+
+            // try to read first alignment
+            bool fileOk = true;
+            BamAlignment* alignment = new BamAlignment;
+            fileOk &= ( coreMode ? reader->GetNextAlignmentCore(*alignment)
+                                 : reader->GetNextAlignment(*alignment) );
+
+            if ( fileOk ) {
+
+                m_readers.push_back( make_pair(reader, alignment) );
+                m_alignments->Add( make_pair(reader, alignment) );
+
+            } else {
+                cerr << "WARNING: could not read first alignment in "
+                     << filename << ", ignoring file" << endl;
+
+                // if only file available & could not be read, return failure
+                if ( filenames.size() == 1 )
+                    return false;
+            }
+        }
+
+        // TODO; any further error handling when openedOK is false ??
+        else return false;
+    }
+
+    // files opened ok, at least one alignment could be read,
+    // now need to check that all files use same reference data
+    ValidateReaders();
+    return true;
+}
+
+// print associated filenames to stdout
+void BamMultiReaderPrivate::PrintFilenames(void) const {
+
+    vector<ReaderAlignment>::const_iterator readerIter = m_readers.begin();
+    vector<ReaderAlignment>::const_iterator readerEnd  = m_readers.end();
+    for ( ; readerIter != readerEnd; ++readerIter ) {
+        const BamReader* reader = (*readerIter).first;
+        if ( reader == 0 ) continue;
+        cout << reader->GetFilename() << endl;
+    }
+}
+
+// returns BAM file pointers to beginning of alignment data
+bool BamMultiReaderPrivate::Rewind(void) {
+
+    bool result = true;
+    vector<ReaderAlignment>::iterator readerIter = m_readers.begin();
+    vector<ReaderAlignment>::iterator readerEnd  = m_readers.end();
+    for ( ; readerIter != readerEnd; ++readerIter ) {
+        BamReader* reader = (*readerIter).first;
+        if ( reader == 0 ) continue;
+        result &= reader->Rewind();
+    }
+    return result;
+}
+
+void BamMultiReaderPrivate::SaveNextAlignment(BamReader* reader, BamAlignment* alignment) {
+
+    // must be in core mode && sorting by position to call GNACore()
+    if ( m_isCoreMode && m_isSortedByPosition ) {
+        if ( reader->GetNextAlignmentCore(*alignment) )
+            m_alignments->Add( make_pair(reader, alignment) );
+    }
+
+    // not in core mode and/or sorting by readname, must call GNA()
+    else {
+        if ( reader->GetNextAlignment(*alignment) )
+            m_alignments->Add( make_pair(reader, alignment) );
+    }
+}
+
+// sets the index caching mode on the readers
+void BamMultiReaderPrivate::SetIndexCacheMode(const BamIndex::BamIndexCacheMode mode) {
+
+    vector<ReaderAlignment>::iterator readerIter = m_readers.begin();
+    vector<ReaderAlignment>::iterator readerEnd  = m_readers.end();
+    for ( ; readerIter != readerEnd; ++readerIter ) {
+        BamReader* reader = (*readerIter).first;
+        if ( reader == 0 ) continue;
+        reader->SetIndexCacheMode(mode);
+    }
+}
+
+bool BamMultiReaderPrivate::SetRegion(const BamRegion& region) {
+
+    // NB: While it may make sense to track readers in which we can
+    // successfully SetRegion, In practice a failure of SetRegion means "no
+    // alignments here."  It makes sense to simply accept the failure,
+    // UpdateAlignments(), and continue.
+
+    vector<ReaderAlignment>::iterator readerIter = m_readers.begin();
+    vector<ReaderAlignment>::iterator readerEnd  = m_readers.end();
+    for ( ; readerIter != readerEnd; ++readerIter ) {
+        BamReader* reader = (*readerIter).first;
+        if ( reader == 0 ) continue;
+        if ( !reader->SetRegion(region) ) {
+            cerr << "ERROR: could not jump " << reader->GetFilename() << " to "
+                 << region.LeftRefID  << ":" << region.LeftPosition   << ".."
+                 << region.RightRefID << ":" << region.RightPosition  << endl;
+        }
+    }
+
+    UpdateAlignments();
+    return true;
+}
+
+void BamMultiReaderPrivate::SetSortOrder(const BamMultiReader::SortOrder& order) {
+
+    const BamMultiReader::SortOrder oldSortOrder = ( m_isSortedByPosition ? BamMultiReader::SortedByPosition
+                                                                          : BamMultiReader::SortedByReadName ) ;
+    // skip if no change needed
+    if ( oldSortOrder == order ) return;
+
+    // create new alignment cache
+    IBamMultiMerger* newAlignmentCache(0);
+    if ( order == BamMultiReader::SortedByPosition ) {
+        newAlignmentCache = new PositionMultiMerger;
+        m_isSortedByPosition = true;
+    }
+    else {
+        newAlignmentCache = new ReadNameMultiMerger;
+        m_isSortedByPosition = false;
+    }
+
+    // copy old cache contents to new cache
+    while ( m_alignments->Size() > 0 ) {
+        ReaderAlignment value = m_alignments->TakeFirst();
+        newAlignmentCache->Add(value);
+    }
+
+    // remove old cache structure & point to new cache
+    delete m_alignments;
+    m_alignments = newAlignmentCache;
+}
+
+// updates our alignment cache
+void BamMultiReaderPrivate::UpdateAlignments(void) {
+
+    // clear the cache
+    m_alignments->Clear();
+
+    // iterate over readers
+    vector<ReaderAlignment>::iterator readerIter = m_readers.begin();
+    vector<ReaderAlignment>::iterator readerEnd  = m_readers.end();
+    for ( ; readerIter != readerEnd; ++readerIter ) {
+        BamReader* reader = (*readerIter).first;
+        BamAlignment* alignment = (*readerIter).second;
+        if ( reader == 0 ) continue;
+        SaveNextAlignment(reader, alignment);
+    }
+}
+
+// splits the entire header into a list of strings
+const vector<string> BamMultiReaderPrivate::SplitHeaderText(const string& headerText) const {
+    stringstream header(headerText);
+    vector<string> lines;
+    string item;
+    while ( getline(header, item) )
+        lines.push_back(item);
+    return lines;
+}
+
+// ValidateReaders checks that all the readers point to BAM files representing
+// alignments against the same set of reference sequences, and that the
+// sequences are identically ordered.  If these checks fail the operation of
+// the multireader is undefined, so we force program exit.
+void BamMultiReaderPrivate::ValidateReaders(void) const {
+
+    // retrieve first reader data
+    const BamReader* firstReader = m_readers.front().first;
+    if ( firstReader == 0 ) return; // signal error?
+    const RefVector firstReaderRefData = firstReader->GetReferenceData();
+    const int firstReaderRefCount = firstReader->GetReferenceCount();
+    const int firstReaderRefSize = firstReaderRefData.size();
+
+    // iterate over all readers
+    vector<ReaderAlignment>::const_iterator readerIter = m_readers.begin();
+    vector<ReaderAlignment>::const_iterator readerEnd  = m_readers.end();
+    for ( ; readerIter != readerEnd; ++readerIter ) {
+
+        // get current reader data
+        BamReader* reader = (*readerIter).first;
+        if ( reader == 0 ) continue; // error?
+        const RefVector currentReaderRefData = reader->GetReferenceData();
+        const int currentReaderRefCount = reader->GetReferenceCount();
+        const int currentReaderRefSize  = currentReaderRefData.size();
+
+        // init container iterators
+        RefVector::const_iterator firstRefIter   = firstReaderRefData.begin();
+        RefVector::const_iterator firstRefEnd    = firstReaderRefData.end();
+        RefVector::const_iterator currentRefIter = currentReaderRefData.begin();
+
+        // compare reference counts from BamReader ( & container size, in case of BR error)
+        if ( (currentReaderRefCount != firstReaderRefCount) ||
+             (firstReaderRefSize    != currentReaderRefSize) )
+        {
+            cerr << "ERROR: mismatched number of references in " << reader->GetFilename()
+                 << " expected " << firstReaderRefCount
+                 << " reference sequences but only found " << currentReaderRefCount << endl;
+            exit(1);
+        }
+
+        // this will be ok; we just checked above that we have identically-sized sets of references
+        // here we simply check if they are all, in fact, equal in content
+        while ( firstRefIter != firstRefEnd ) {
+
+            const RefData& firstRef   = (*firstRefIter);
+            const RefData& currentRef = (*currentRefIter);
+
+            // compare reference name & length
+            if ( (firstRef.RefName   != currentRef.RefName) ||
+                 (firstRef.RefLength != currentRef.RefLength) )
+            {
+                cerr << "ERROR: mismatched references found in " << reader->GetFilename()
+                     << " expected: " << endl;
+                RefVector::const_iterator refIter = firstReaderRefData.begin();
+                RefVector::const_iterator refEnd  = firstReaderRefData.end();
+                for ( ; refIter != refEnd; ++refIter ) {
+                    const RefData& entry = (*refIter);
+                    cerr << entry.RefName << " " << entry.RefLength << endl;
+                }
+
+                cerr << "but found: " << endl;
+                refIter = currentReaderRefData.begin();
+                refEnd  = currentReaderRefData.end();
+                for ( ; refIter != refEnd; ++refIter ) {
+                    const RefData& entry = (*refIter);
+                    cerr << entry.RefName << " " << entry.RefLength << endl;
+                }
+
+                exit(1);
+            }
+
+            // update iterators
+            ++firstRefIter;
+            ++currentRefIter;
+        }
+    }
+}