BamMultiReader.cpp

   1 // ***************************************************************************
   2 // BamMultiReader.cpp (c) 2010 Erik Garrison
   3 // Marth Lab, Department of Biology, Boston College
   4 // All rights reserved.
   5 // ---------------------------------------------------------------------------
   6 // Last modified: 23 Februrary 2010 (EG)
   7 // ---------------------------------------------------------------------------
   8 // Uses BGZF routines were adapted from the bgzf.c code developed at the Broad
   9 // Institute.
  10 // ---------------------------------------------------------------------------
  11 // Functionality for simultaneously reading multiple BAM files.
  12 //
  13 // This functionality allows applications to work on very large sets of files
  14 // without requiring intermediate merge, sort, and index steps for each file
  15 // subset.  It also improves the performance of our merge system as it
  16 // precludes the need to sort merged files.
  17 // ***************************************************************************
  18
  19 // C++ includes
  20 #include <algorithm>
  21 #include <iterator>
  22 #include <string>
  23 #include <vector>
  24 #include <iostream>
  25 #include <sstream>
  26
  27 // BamTools includes
  28 #include "BGZF.h"
  29 #include "BamMultiReader.h"
  30 using namespace BamTools;
  31 using namespace std;
  32
  33 // -----------------------------------------------------
  34 // BamMultiReader implementation
  35 // -----------------------------------------------------
  36
  37 // constructor
  38 BamMultiReader::BamMultiReader(void)
  39     : CurrentRefID(0)
  40     , CurrentLeft(0)
  41 { }
  42
  43 // destructor
  44 BamMultiReader::~BamMultiReader(void) {
  45     Close(); // close the bam files
  46     // clean up reader objects
  47     for (vector<pair<BamReader*, BamAlignment*> >::iterator it = readers.begin(); it != readers.end(); ++it) {
  48         delete it->first;
  49         delete it->second;
  50     }
  51 }
  52
  53 // close the BAM files
  54 void BamMultiReader::Close(void) {
  55     for (vector<pair<BamReader*, BamAlignment*> >::iterator it = readers.begin(); it != readers.end(); ++it) {
  56         BamReader* reader = it->first;
  57         reader->Close();  // close the reader
  58     }
  59 }
  60
  61 // updates the reference id stored in the BamMultiReader
  62 // to reflect the current state of the readers
  63 void BamMultiReader::UpdateReferenceID(void) {
  64     // the alignments are sorted by position, so the first alignment will always have the lowest reference ID
  65     if (alignments.begin()->second.second->RefID != CurrentRefID) {
  66         // get the next reference id
  67         // while there aren't any readers at the next ref id
  68         // increment the ref id
  69         int nextRefID = CurrentRefID;
  70         while (alignments.begin()->second.second->RefID != nextRefID) {
  71             ++nextRefID;
  72         }
  73         //cerr << "updating reference id from " << CurrentRefID << " to " << nextRefID << endl;
  74         CurrentRefID = nextRefID;
  75     }
  76 }
  77
  78 // checks if any readers still have alignments
  79 bool BamMultiReader::HasOpenReaders() {
  80     return alignments.size() > 0;
  81 }
  82
  83 // get next alignment among all files
  84 bool BamMultiReader::GetNextAlignment(BamAlignment& nextAlignment) {
  85
  86     // bail out if we are at EOF in all files, means no more alignments to process
  87     if (!HasOpenReaders())
  88         return false;
  89
  90     // when all alignments have stepped into a new target sequence, update our
  91     // current reference sequence id
  92     UpdateReferenceID();
  93
  94     // our lowest alignment and reader will be at the front of our alignment index
  95     BamAlignment* alignment = alignments.begin()->second.second;
  96     BamReader* reader = alignments.begin()->second.first;
  97
  98     // now that we have the lowest alignment in the set, save it by copy to our argument
  99     nextAlignment = BamAlignment(*alignment);
 100
 101     // remove this alignment index entry from our alignment index
 102     alignments.erase(alignments.begin());
 103
 104     // and add another entry if we can get another alignment from the reader
 105     if (reader->GetNextAlignment(*alignment)) {
 106         alignments.insert(make_pair(make_pair(alignment->RefID, alignment->Position),
 107                                     make_pair(reader, alignment)));
 108     } else { // do nothing
 109         //cerr << "reached end of file " << lowestReader->GetFilename() << endl;
 110     }
 111
 112     return true;
 113
 114 }
 115
 116 // get next alignment among all files without parsing character data from alignments
 117 bool BamMultiReader::GetNextAlignmentCore(BamAlignment& nextAlignment) {
 118
 119     // bail out if we are at EOF in all files, means no more alignments to process
 120     if (!HasOpenReaders())
 121         return false;
 122
 123     // when all alignments have stepped into a new target sequence, update our
 124     // current reference sequence id
 125     UpdateReferenceID();
 126
 127     // our lowest alignment and reader will be at the front of our alignment index
 128     BamAlignment* alignment = alignments.begin()->second.second;
 129     BamReader* reader = alignments.begin()->second.first;
 130
 131     // now that we have the lowest alignment in the set, save it by copy to our argument
 132     nextAlignment = BamAlignment(*alignment);
 133     //memcpy(&nextAlignment, alignment, sizeof(BamAlignment));
 134
 135     // remove this alignment index entry from our alignment index
 136     alignments.erase(alignments.begin());
 137
 138     // and add another entry if we can get another alignment from the reader
 139     if (reader->GetNextAlignmentCore(*alignment)) {
 140         alignments.insert(make_pair(make_pair(alignment->RefID, alignment->Position),
 141                                     make_pair(reader, alignment)));
 142     } else { // do nothing
 143         //cerr << "reached end of file " << lowestReader->GetFilename() << endl;
 144     }
 145
 146     return true;
 147
 148 }
 149
 150 // jumps to specified region(refID, leftBound) in BAM files, returns success/fail
 151 bool BamMultiReader::Jump(int refID, int position) {
 152
 153     //if ( References.at(refID).RefHasAlignments && (position <= References.at(refID).RefLength) ) {
 154     CurrentRefID = refID;
 155     CurrentLeft  = position;
 156
 157     bool result = true;
 158     for (vector<pair<BamReader*, BamAlignment*> >::iterator it = readers.begin(); it != readers.end(); ++it) {
 159         BamReader* reader = it->first;
 160         result &= reader->Jump(refID, position);
 161         if (!result) {
 162             cerr << "ERROR: could not jump " << reader->GetFilename() << " to " << refID << ":" << position << endl;
 163             exit(1);
 164         }
 165     }
 166     if (result) {
 167         // Update Alignments
 168         alignments.clear();
 169         for (vector<pair<BamReader*, BamAlignment*> >::iterator it = readers.begin(); it != readers.end(); ++it) {
 170             BamReader* br = it->first;
 171             BamAlignment* ba = it->second;
 172             if (br->GetNextAlignment(*ba)) {
 173                 alignments.insert(make_pair(make_pair(ba->RefID, ba->Position),
 174                                             make_pair(br, ba)));
 175             } else {
 176                 // assume BamReader EOF
 177             }
 178         }
 179     }
 180     return result;
 181 }
 182
 183 // opens BAM files
 184 void BamMultiReader::Open(const vector<string> filenames, bool openIndexes, bool coreMode) {
 185     // for filename in filenames
 186     fileNames = filenames; // save filenames in our multireader
 187     for (vector<string>::const_iterator it = filenames.begin(); it != filenames.end(); ++it) {
 188         string filename = *it;
 189         BamReader* reader = new BamReader;
 190         if (openIndexes) {
 191             reader->Open(filename, filename + ".bai");
 192         } else {
 193             reader->Open(filename); // for merging, jumping is disallowed
 194         }
 195         BamAlignment* alignment = new BamAlignment;
 196         if (coreMode) {
 197             reader->GetNextAlignmentCore(*alignment);
 198         } else {
 199             reader->GetNextAlignment(*alignment);
 200         }
 201         readers.push_back(make_pair(reader, alignment)); // store pointers to our readers for cleanup
 202         alignments.insert(make_pair(make_pair(alignment->RefID, alignment->Position),
 203                                     make_pair(reader, alignment)));
 204     }
 205     ValidateReaders();
 206 }
 207
 208 void BamMultiReader::PrintFilenames(void) {
 209     for (vector<pair<BamReader*, BamAlignment*> >::iterator it = readers.begin(); it != readers.end(); ++it) {
 210         BamReader* reader = it->first;
 211         cout << reader->GetFilename() << endl;
 212     }
 213 }
 214
 215 // for debugging
 216 void BamMultiReader::DumpAlignmentIndex(void) {
 217     for (AlignmentIndex::const_iterator it = alignments.begin(); it != alignments.end(); ++it) {
 218         cerr << it->first.first << ":" << it->first.second << " " << it->second.first->GetFilename() << endl;
 219     }
 220 }
 221
 222 // returns BAM file pointers to beginning of alignment data
 223 bool BamMultiReader::Rewind(void) {
 224     bool result = true;
 225     for (vector<pair<BamReader*, BamAlignment*> >::iterator it = readers.begin(); it != readers.end(); ++it) {
 226         BamReader* reader = it->first;
 227         result &= reader->Rewind();
 228     }
 229     return result;
 230 }
 231
 232 // saves index data to BAM index files (".bai") where necessary, returns success/fail
 233 bool BamMultiReader::CreateIndexes(void) {
 234     bool result = true;
 235     for (vector<pair<BamReader*, BamAlignment*> >::iterator it = readers.begin(); it != readers.end(); ++it) {
 236         BamReader* reader = it->first;
 237         result &= reader->CreateIndex();
 238     }
 239     return result;
 240 }
 241
 242 // makes a virtual, unified header for all the bam files in the multireader
 243 const string BamMultiReader::GetHeaderText(void) const {
 244
 245     string mergedHeader = "";
 246     map<string, bool> readGroups;
 247
 248     // foreach extraction entry (each BAM file)
 249     for (vector<pair<BamReader*, BamAlignment*> >::const_iterator rs = readers.begin(); rs != readers.end(); ++rs) {
 250
 251         map<string, bool> currentFileReadGroups;
 252
 253         BamReader* reader = rs->first;
 254
 255         stringstream header(reader->GetHeaderText());
 256         vector<string> lines;
 257         string item;
 258         while (getline(header, item))
 259             lines.push_back(item);
 260
 261         for (vector<string>::const_iterator it = lines.begin(); it != lines.end(); ++it) {
 262
 263             // get next line from header, skip if empty
 264             string headerLine = *it;
 265             if ( headerLine.empty() ) { continue; }
 266
 267             // if first file, save HD & SQ entries
 268             if ( rs == readers.begin() ) {
 269                 if ( headerLine.find("@HD") == 0 || headerLine.find("@SQ") == 0) {
 270                     mergedHeader.append(headerLine.c_str());
 271                     mergedHeader.append(1, '\n');
 272                 }
 273             }
 274
 275             // (for all files) append RG entries if they are unique
 276             if ( headerLine.find("@RG") == 0 ) {
 277                 stringstream headerLineSs(headerLine);
 278                 string part, readGroupPart, readGroup;
 279                 while(std::getline(headerLineSs, part, '\t')) {
 280                     stringstream partSs(part);
 281                     string subtag;
 282                     std::getline(partSs, subtag, ':');
 283                     if (subtag == "ID") {
 284                         std::getline(partSs, readGroup, ':');
 285                         break;
 286                     }
 287                 }
 288                 if (readGroups.find(readGroup) == readGroups.end()) { // prevents duplicate @RG entries
 289                     mergedHeader.append(headerLine.c_str() );
 290                     mergedHeader.append(1, '\n');
 291                     readGroups[readGroup] = true;
 292                     currentFileReadGroups[readGroup] = true;
 293                 } else {
 294                     // warn iff we are reading one file and discover duplicated @RG tags in the header
 295                     // otherwise, we emit no warning, as we might be merging multiple BAM files with identical @RG tags
 296                     if (currentFileReadGroups.find(readGroup) != currentFileReadGroups.end()) {
 297                         cerr << "WARNING: duplicate @RG tag " << readGroup
 298                             << " entry in header of " << reader->GetFilename() << endl;
 299                     }
 300                 }
 301             }
 302         }
 303     }
 304
 305     // return merged header text
 306     return mergedHeader;
 307 }
 308
 309 // ValidateReaders checks that all the readers point to BAM files representing
 310 // alignments against the same set of reference sequences, and that the
 311 // sequences are identically ordered.  If these checks fail the operation of
 312 // the multireader is undefined, so we force program exit.
 313 void BamMultiReader::ValidateReaders(void) const {
 314     int firstRefCount = readers.front().first->GetReferenceCount();
 315     BamTools::RefVector firstRefData = readers.front().first->GetReferenceData();
 316     for (vector<pair<BamReader*, BamAlignment*> >::const_iterator it = readers.begin(); it != readers.end(); ++it) {
 317         BamReader* reader = it->first;
 318         BamTools::RefVector currentRefData = reader->GetReferenceData();
 319         BamTools::RefVector::const_iterator f = firstRefData.begin();
 320         BamTools::RefVector::const_iterator c = currentRefData.begin();
 321         if (reader->GetReferenceCount() != firstRefCount || firstRefData.size() != currentRefData.size()) {
 322             cerr << "ERROR: mismatched number of references in " << reader->GetFilename()
 323                       << " expected " << firstRefCount
 324                       << " reference sequences but only found " << reader->GetReferenceCount() << endl;
 325             exit(1);
 326         }
 327         // this will be ok; we just checked above that we have identically-sized sets of references
 328         // here we simply check if they are all, in fact, equal in content
 329         while (f != firstRefData.end()) {
 330             if (f->RefName != c->RefName || f->RefLength != c->RefLength) {
 331                 cerr << "ERROR: mismatched references found in " << reader->GetFilename()
 332                           << " expected: " << endl;
 333                 for (BamTools::RefVector::const_iterator a = firstRefData.begin(); a != firstRefData.end(); ++a)
 334                     cerr << a->RefName << " " << a->RefLength << endl;
 335                 cerr << "but found: " << endl;
 336                 for (BamTools::RefVector::const_iterator a = currentRefData.begin(); a != currentRefData.end(); ++a)
 337                     cerr << a->RefName << " " << a->RefLength << endl;
 338                 exit(1);
 339             }
 340             ++f; ++c;
 341         }
 342     }
 343 }
 344
 345 // NB: The following functions assume that we have identical references for all
 346 // BAM files.  We enforce this by invoking the above validation function
 347 // (ValidateReaders) to verify that our reference data is the same across all
 348 // files on Open, so we will not encounter a situation in which there is a
 349 // mismatch and we are still live.
 350
 351 // returns the number of reference sequences
 352 const int BamMultiReader::GetReferenceCount(void) const {
 353     return readers.front().first->GetReferenceCount();
 354 }
 355
 356 // returns vector of reference objects
 357 const BamTools::RefVector BamMultiReader::GetReferenceData(void) const {
 358     return readers.front().first->GetReferenceData();
 359 }
 360
 361 const int BamMultiReader::GetReferenceID(const string& refName) const {
 362     return readers.front().first->GetReferenceID(refName);
 363 }