PairedEndQModel.h

   1 #ifndef PAIREDENDQMODEL_H_
   2 #define PAIREDENDQMODEL_H_
   3
   4 #include<cmath>
   5 #include<cstdio>
   6 #include<cassert>
   7 #include<cstring>
   8 #include<string>
   9 #include<algorithm>
  10 #include<sstream>
  11
  12 #include "utils.h"
  13 #include "Orientation.h"
  14 #include "LenDist.h"
  15 #include "RSPD.h"
  16 #include "QualDist.h"
  17 #include "QProfile.h"
  18 #include "NoiseQProfile.h"
  19
  20 #include "ModelParams.h"
  21 #include "RefSeq.h"
  22 #include "Refs.h"
  23 #include "SingleReadQ.h"
  24 #include "PairedEndReadQ.h"
  25 #include "PairedEndHit.h"
  26 #include "ReadReader.h"
  27
  28 #include "simul.h"
  29
  30 class PairedEndQModel {
  31 public:
  32         PairedEndQModel(Refs* refs = NULL) {
  33                 this->refs = refs;
  34                 M = (refs != NULL ? refs->getM() : 0);
  35                 memset(N, 0, sizeof(N));
  36                 estRSPD = false;
  37                 needCalcConPrb = true;
  38
  39                 ori = new Orientation();
  40                 gld = new LenDist();
  41                 rspd = new RSPD(estRSPD);
  42                 qd = new QualDist();
  43                 qpro = new QProfile();
  44                 nqpro = new NoiseQProfile();
  45                 mld = new LenDist();
  46
  47                 mw = NULL;
  48                 seedLen = 0;
  49         }
  50
  51         //If it is not a master node, only init & update can be used!
  52         PairedEndQModel(ModelParams& params, bool isMaster = true) {
  53                 M = params.M;
  54                 memcpy(N, params.N, sizeof(params.N));
  55                 refs = params.refs;
  56                 estRSPD = params.estRSPD;
  57                 seedLen = params.seedLen;
  58                 needCalcConPrb = true;
  59
  60                 ori = NULL; gld = NULL; rspd = NULL; qd = NULL; qpro = NULL; nqpro = NULL; mld = NULL;
  61                 mw = NULL;
  62
  63                 if (isMaster) {
  64                         if (!estRSPD) rspd = new RSPD(estRSPD);
  65                         qd = new QualDist();
  66                         mld = new LenDist(params.mate_minL, params.mate_maxL);
  67                 }
  68
  69                 ori = new Orientation(params.probF);
  70                 gld = new LenDist(params.minL, params.maxL);
  71                 if (estRSPD) rspd = new RSPD(estRSPD, params.B);
  72                 qpro = new QProfile();
  73                 nqpro = new NoiseQProfile();
  74         }
  75
  76         ~PairedEndQModel() {
  77                 refs = NULL;
  78                 if (ori != NULL) delete ori;
  79                 if (gld != NULL) delete gld;
  80                 if (rspd != NULL) delete rspd;
  81                 if (qd != NULL) delete qd;
  82                 if (qpro != NULL) delete qpro;
  83                 if (nqpro != NULL) delete nqpro;
  84                 if (mld != NULL) delete mld;
  85                 if (mw != NULL) delete mw;
  86         }
  87
  88         void estimateFromReads(const char*);
  89
  90         //if prob is too small, just make it 0
  91         double getConPrb(const PairedEndReadQ& read, const PairedEndHit& hit) {
  92                 if (read.isLowQuality()) return 0.0;
  93
  94                 double prob;
  95                 int sid = hit.getSid();
  96                 RefSeq &ref = refs->getRef(sid);
  97                 int dir = hit.getDir();
  98                 int pos = hit.getPos();
  99                 int fullLen = ref.getFullLen();
 100                 int totLen = ref.getTotLen();
 101                 int insertLen = hit.getInsertL();
 102
 103                 int fpos = (dir == 0 ? pos : totLen - pos - insertLen); // the aligned position reported in SAM file, should be a coordinate in forward strand
 104                 int effL = std::min(fullLen, totLen - insertLen + 1);
 105
 106                 assert(fpos >= 0 && fpos + insertLen <= totLen && insertLen <= totLen);
 107                 if (fpos >= fullLen || ref.getMask(fpos)) return 0.0; // For paired-end model, fpos is the seedPos
 108
 109                 prob = ori->getProb(dir) * gld->getAdjustedProb(insertLen, totLen) *
 110                        rspd->getAdjustedProb(fpos, effL, fullLen);
 111
 112                 const SingleReadQ& mate1 = read.getMate1();
 113                 prob *= mld->getAdjustedProb(mate1.getReadLength(), insertLen) *
 114                         qpro->getProb(mate1.getReadSeq(), mate1.getQScore(), ref, pos, dir);
 115
 116                 const SingleReadQ& mate2 = read.getMate2();
 117                 int m2pos = totLen - pos - insertLen;
 118                 int m2dir = !dir;
 119                 prob *= mld->getAdjustedProb(mate2.getReadLength(), hit.getInsertL()) *
 120                         qpro->getProb(mate2.getReadSeq(), mate2.getQScore(), ref, m2pos, m2dir);
 121
 122                 if (prob < EPSILON) { prob = 0.0; }
 123
 124                 prob = (mw[sid] < EPSILON ? 0.0 : prob / mw[sid]);
 125
 126                 return prob;
 127         }
 128
 129         double getNoiseConPrb(const PairedEndReadQ& read) {
 130                 if (read.isLowQuality()) return 0.0;
 131
 132                 double prob;
 133                 const SingleReadQ& mate1 = read.getMate1();
 134                 const SingleReadQ& mate2 = read.getMate2();
 135
 136                 prob = mld->getProb(mate1.getReadLength()) * nqpro->getProb(mate1.getReadSeq(), mate1.getQScore());
 137                 prob *= mld->getProb(mate2.getReadLength()) * nqpro->getProb(mate2.getReadSeq(), mate2.getQScore());
 138
 139                 if (prob < EPSILON) { prob = 0.0; }
 140
 141                 prob = (mw[0] < EPSILON ? 0.0: prob / mw[0]);
 142
 143                 return prob;
 144         }
 145
 146         double getLogP() { return nqpro->getLogP(); }
 147
 148         void init();
 149
 150         void update(const PairedEndReadQ& read, const PairedEndHit& hit, double frac) {
 151                 if (read.isLowQuality() || frac < EPSILON) return;
 152
 153                 RefSeq& ref = refs->getRef(hit.getSid());
 154                 const SingleReadQ& mate1 = read.getMate1();
 155                 const SingleReadQ& mate2 = read.getMate2();
 156
 157                 gld->update(hit.getInsertL(), frac);
 158                 if (estRSPD) {
 159                         int fpos = (hit.getDir() == 0 ? hit.getPos() : ref.getTotLen() - hit.getPos() - hit.getInsertL());
 160                         rspd->update(fpos, ref.getFullLen(), frac);
 161                 }
 162                 qpro->update(mate1.getReadSeq(), mate1.getQScore(), ref, hit.getPos(), hit.getDir(), frac);
 163
 164                 int m2pos = ref.getTotLen() - hit.getPos() - hit.getInsertL();
 165                 int m2dir = !hit.getDir();
 166                 qpro->update(mate2.getReadSeq(), mate2.getQScore(), ref, m2pos, m2dir, frac);
 167         }
 168
 169         void updateNoise(const PairedEndReadQ& read, double frac) {
 170                 if (read.isLowQuality() || frac < EPSILON) return;
 171
 172                 const SingleReadQ& mate1 = read.getMate1();
 173                 const SingleReadQ& mate2 = read.getMate2();
 174
 175                 nqpro->update(mate1.getReadSeq(), mate1.getQScore(), frac);
 176                 nqpro->update(mate2.getReadSeq(), mate2.getQScore(), frac);
 177         }
 178
 179         void finish();
 180
 181         void collect(const PairedEndQModel&);
 182
 183         bool getNeedCalcConPrb() { return needCalcConPrb; }
 184         void setNeedCalcConPrb(bool value) { needCalcConPrb = value; }
 185
 186         void read(const char*);
 187         void write(const char*);
 188
 189         const LenDist& getGLD() { return *gld; }
 190
 191         void startSimulation(simul*, double*);
 192         bool simulate(int, PairedEndReadQ&, int&);
 193         void finishSimulation();
 194
 195         //Use it after function 'read' or 'estimateFromReads'
 196         double* getMW() {
 197           assert(mw != NULL);
 198           return mw;
 199         }
 200
 201         int getModelType() const { return model_type; }
 202
 203 private:
 204         static const int model_type = 3;
 205         static const int read_type = 3;
 206
 207         int M;
 208         int N[3];
 209         Refs *refs;
 210         int seedLen;
 211
 212         bool estRSPD;
 213         bool needCalcConPrb; //true need, false does not need
 214
 215         Orientation *ori;
 216         LenDist *gld, *mld; //mld1 mate_length_dist
 217         RSPD *rspd;
 218         QualDist *qd;
 219         QProfile *qpro;
 220         NoiseQProfile *nqpro;
 221
 222         simul *sampler; // for simulation
 223         double *theta_cdf; // for simulation
 224
 225         double *mw; // for masking
 226
 227         void calcMW();
 228 };
 229
 230 void PairedEndQModel::estimateFromReads(const char* readFN) {
 231         int s;
 232         char readFs[2][STRLEN];
 233     PairedEndReadQ read;
 234
 235     mld->init();
 236     for (int i = 0; i < 3; i++)
 237         if (N[i] > 0) {
 238                 genReadFileNames(readFN, i, read_type, s, readFs);
 239                 ReadReader<PairedEndReadQ> reader(s, readFs);
 240
 241                 int cnt = 0;
 242                 while (reader.next(read)) {
 243                         SingleReadQ mate1 = read.getMate1();
 244                         SingleReadQ mate2 = read.getMate2();
 245
 246                         mld->update(mate1.getReadLength(), 1.0);
 247                         mld->update(mate2.getReadLength(), 1.0);
 248
 249                         qd->update(mate1.getQScore());
 250                         qd->update(mate2.getQScore());
 251
 252                         if (i == 0) {
 253                                 nqpro->updateC(mate1.getReadSeq(), mate1.getQScore());
 254                                 nqpro->updateC(mate2.getReadSeq(), mate2.getQScore());
 255                         }
 256
 257                         ++cnt;
 258                         if (verbose && cnt % 1000000 == 0) { printf("%d READS PROCESSED\n", cnt); }
 259                 }
 260
 261                 if (verbose) { printf("estimateFromReads, N%d finished.\n", i); }
 262         }
 263
 264     mld->finish();
 265     qd->finish();
 266     nqpro->calcInitParams();
 267
 268     mw = new double[M + 1];
 269     calcMW();
 270 }
 271
 272 void PairedEndQModel::init() {
 273         gld->init();
 274         if (estRSPD) rspd->init();
 275         qpro->init();
 276         nqpro->init();
 277 }
 278
 279 void PairedEndQModel::finish() {
 280         gld->finish();
 281         if (estRSPD) rspd->finish();
 282         qpro->finish();
 283         nqpro->finish();
 284         needCalcConPrb = true;
 285         calcMW();
 286 }
 287
 288 void PairedEndQModel::collect(const PairedEndQModel& o) {
 289         gld->collect(*(o.gld));
 290         if (estRSPD) rspd->collect(*(o.rspd));
 291         qpro->collect(*(o.qpro));
 292         nqpro->collect(*(o.nqpro));
 293 }
 294
 295 //Only master node can call
 296 void PairedEndQModel::read(const char* inpF) {
 297         int val;
 298         FILE *fi = fopen(inpF, "r");
 299         if (fi == NULL) { fprintf(stderr, "Cannot open %s! It may not exist.\n", inpF); exit(-1); }
 300
 301         fscanf(fi, "%d", &val);
 302         assert(val == model_type);
 303
 304         ori->read(fi);
 305         gld->read(fi);
 306         mld->read(fi);
 307         rspd->read(fi);
 308         qd->read(fi);
 309         qpro->read(fi);
 310         nqpro->read(fi);
 311
 312         if (fscanf(fi, "%d", &val) == 1) {
 313                 if (M == 0) M = val;
 314                 if (M == val) {
 315                         mw = new double[M + 1];
 316                         for (int i = 0; i <= M; i++) fscanf(fi, "%lf", &mw[i]);
 317                 }
 318         }
 319
 320
 321         fclose(fi);
 322 }
 323
 324 //Only master node can call. Only be called at EM.cpp
 325 void PairedEndQModel::write(const char* outF) {
 326         FILE *fo = fopen(outF, "w");
 327
 328         fprintf(fo, "%d\n", model_type);
 329         fprintf(fo, "\n");
 330
 331         ori->write(fo);  fprintf(fo, "\n");
 332         gld->write(fo);  fprintf(fo, "\n");
 333         mld->write(fo);  fprintf(fo, "\n");
 334         rspd->write(fo); fprintf(fo, "\n");
 335         qd->write(fo);   fprintf(fo, "\n");
 336         qpro->write(fo); fprintf(fo, "\n");
 337         nqpro->write(fo);
 338
 339         if (mw != NULL) {
 340           fprintf(fo, "\n%d\n", M);
 341           for (int i = 0; i < M; i++) {
 342             fprintf(fo, "%.15g ", mw[i]);
 343           }
 344           fprintf(fo, "%.15g\n", mw[M]);
 345         }
 346
 347         fclose(fo);
 348 }
 349
 350 void PairedEndQModel::startSimulation(simul* sampler, double* theta) {
 351         this->sampler = sampler;
 352
 353         theta_cdf = new double[M + 1];
 354         for (int i = 0; i <= M; i++) {
 355                 theta_cdf[i] = theta[i];
 356                 if (i > 0) theta_cdf[i] += theta_cdf[i - 1];
 357         }
 358
 359         rspd->startSimulation(M, refs);
 360         qd->startSimulation();
 361         qpro->startSimulation();
 362         nqpro->startSimulation();
 363 }
 364
 365 bool PairedEndQModel::simulate(int rid, PairedEndReadQ& read, int& sid) {
 366         int dir, pos;
 367         int insertL, mateL1, mateL2;
 368         std::string name;
 369         std::string qual1, qual2, readseq1, readseq2;
 370         std::ostringstream strout;
 371
 372         sid = sampler->sample(theta_cdf, M + 1);
 373
 374         if (sid == 0) {
 375                 dir = pos = insertL = 0;
 376                 mateL1 = mld->simulate(sampler, -1);
 377                 qual1 = qd->simulate(sampler, mateL1);
 378                 readseq1 = nqpro->simulate(sampler, mateL1, qual1);
 379
 380                 mateL2 = mld->simulate(sampler, -1);
 381                 qual2 = qd->simulate(sampler, mateL2);
 382                 readseq2 = nqpro->simulate(sampler, mateL2, qual2);
 383         }
 384         else {
 385                 RefSeq &ref = refs->getRef(sid);
 386                 dir = ori->simulate(sampler);
 387                 insertL = gld->simulate(sampler, ref.getTotLen());
 388                 if (insertL < 0) return false;
 389                 int effL = std::min(ref.getFullLen(), ref.getTotLen() - insertL + 1);
 390                 pos = rspd->simulate(sampler, sid, effL);
 391                 if (pos < 0) return false;
 392                 if (dir > 0) pos = ref.getTotLen() - pos - insertL;
 393
 394                 mateL1 = mld->simulate(sampler, insertL);
 395                 qual1 = qd->simulate(sampler, mateL1);
 396                 readseq1 = qpro->simulate(sampler, mateL1, pos, dir, qual1, ref);
 397
 398                 int m2pos = ref.getTotLen() - pos - insertL;
 399                 int m2dir = !dir;
 400
 401                 mateL2 = mld->simulate(sampler, insertL);
 402                 qual2 = qd->simulate(sampler, mateL2);
 403                 readseq2 = qpro->simulate(sampler, mateL2, m2pos, m2dir, qual2, ref);
 404         }
 405
 406         strout<<rid<<"_"<<dir<<"_"<<sid<<"_"<<pos<<"_"<<insertL;
 407         name = strout.str();
 408
 409         read = PairedEndReadQ(SingleReadQ(name + "/1", readseq1, qual1), SingleReadQ(name + "/2", readseq2, qual2));
 410
 411         return true;
 412 }
 413
 414 void PairedEndQModel::finishSimulation() {
 415         delete[] theta_cdf;
 416
 417         rspd->finishSimulation();
 418         qd->finishSimulation();
 419         qpro->finishSimulation();
 420         nqpro->finishSimulation();
 421 }
 422
 423
 424 void PairedEndQModel::calcMW() {
 425   assert(seedLen >= OLEN && mld->getMinL() >= seedLen);
 426
 427   memset(mw, 0, sizeof(double) * (M + 1));
 428   mw[0] = 1.0;
 429
 430   for (int i = 1; i <= M; i++) {
 431     RefSeq& ref = refs->getRef(i);
 432     int totLen = ref.getTotLen();
 433     int fullLen = ref.getFullLen();
 434     int end = std::min(fullLen, totLen - gld->getMinL() + 1);
 435     double value = 0.0;
 436     int minL, maxL;
 437     int effL, pfpos;
 438
 439     //seedPos is fpos here
 440     for (int seedPos = 0; seedPos < end; seedPos++)
 441       if (ref.getMask(seedPos)) {
 442         minL = gld->getMinL();
 443         maxL = std::min(gld->getMaxL(), totLen - seedPos);
 444         pfpos = seedPos;
 445         for (int fragLen = minL; fragLen <= maxL; fragLen++) {
 446           effL = std::min(fullLen, totLen - fragLen + 1);
 447           value += gld->getAdjustedProb(fragLen, totLen) * rspd->getAdjustedProb(pfpos, effL, fullLen);
 448         }
 449       }
 450
 451     mw[i] = 1.0 - value;
 452
 453     if (mw[i] < 1e-8) {
 454       //      fprintf(stderr, "Warning: %dth reference sequence is masked for almost all positions!\n", i);
 455       mw[i] = 0.0;
 456     }
 457   }
 458 }
 459
 460 #endif /* PAIREDENDQMODEL_H_ */