bam2bcf_indel.c

   1 #include <assert.h>
   2 #include <ctype.h>
   3 #include <string.h>
   4 #include "bam.h"
   5 #include "bam2bcf.h"
   6 #include "ksort.h"
   7 #include "kaln.h"
   8 #include "kprobaln.h"
   9 #include "khash.h"
  10 KHASH_SET_INIT_STR(rg)
  11
  12 #define MINUS_CONST 0x10000000
  13 #define INDEL_WINDOW_SIZE 50
  14 #define MAX_SCORE 90
  15 #define MIN_SUPPORT_COEF 500
  16
  17 void *bcf_call_add_rg(void *_hash, const char *hdtext, const char *list)
  18 {
  19         const char *s, *p, *q, *r, *t;
  20         khash_t(rg) *hash;
  21         if (list == 0 || hdtext == 0) return _hash;
  22         if (_hash == 0) _hash = kh_init(rg);
  23         hash = (khash_t(rg)*)_hash;
  24         if ((s = strstr(hdtext, "@RG\t")) == 0) return hash;
  25         do {
  26                 t = strstr(s + 4, "@RG\t"); // the next @RG
  27                 if ((p = strstr(s, "\tID:")) != 0) p += 4;
  28                 if ((q = strstr(s, "\tPL:")) != 0) q += 4;
  29                 if (p && q && (t == 0 || (p < t && q < t))) { // ID and PL are both present
  30                         int lp, lq;
  31                         char *x;
  32                         for (r = p; *r && *r != '\t' && *r != '\n'; ++r); lp = r - p;
  33                         for (r = q; *r && *r != '\t' && *r != '\n'; ++r); lq = r - q;
  34                         x = calloc((lp > lq? lp : lq) + 1, 1);
  35                         for (r = q; *r && *r != '\t' && *r != '\n'; ++r) x[r-q] = *r;
  36                         if (strstr(list, x)) { // insert ID to the hash table
  37                                 khint_t k;
  38                                 int ret;
  39                                 for (r = p; *r && *r != '\t' && *r != '\n'; ++r) x[r-p] = *r;
  40                                 x[r-p] = 0;
  41                                 k = kh_get(rg, hash, x);
  42                                 if (k == kh_end(hash)) k = kh_put(rg, hash, x, &ret);
  43                                 else free(x);
  44                         } else free(x);
  45                 }
  46                 s = t;
  47         } while (s);
  48         return hash;
  49 }
  50
  51 void bcf_call_del_rghash(void *_hash)
  52 {
  53         khint_t k;
  54         khash_t(rg) *hash = (khash_t(rg)*)_hash;
  55         if (hash == 0) return;
  56         for (k = kh_begin(hash); k < kh_end(hash); ++k)
  57                 if (kh_exist(hash, k))
  58                         free((char*)kh_key(hash, k));
  59         kh_destroy(rg, hash);
  60 }
  61
  62 static int tpos2qpos(const bam1_core_t *c, const uint32_t *cigar, int32_t tpos, int is_left, int32_t *_tpos)
  63 {
  64         int k, x = c->pos, y = 0, last_y = 0;
  65         *_tpos = c->pos;
  66         for (k = 0; k < c->n_cigar; ++k) {
  67                 int op = cigar[k] & BAM_CIGAR_MASK;
  68                 int l = cigar[k] >> BAM_CIGAR_SHIFT;
  69                 if (op == BAM_CMATCH) {
  70                         if (c->pos > tpos) return y;
  71                         if (x + l > tpos) {
  72                                 *_tpos = tpos;
  73                                 return y + (tpos - x);
  74                         }
  75                         x += l; y += l;
  76                         last_y = y;
  77                 } else if (op == BAM_CINS || op == BAM_CSOFT_CLIP) y += l;
  78                 else if (op == BAM_CDEL || op == BAM_CREF_SKIP) {
  79                         if (x + l > tpos) {
  80                                 *_tpos = is_left? x : x + l;
  81                                 return y;
  82                         }
  83                         x += l;
  84                 }
  85         }
  86         *_tpos = x;
  87         return last_y;
  88 }
  89 // FIXME: check if the inserted sequence is consistent with the homopolymer run
  90 // l is the relative gap length and l_run is the length of the homopolymer on the reference
  91 static inline int est_seqQ(const bcf_callaux_t *bca, int l, int l_run)
  92 {
  93         int q, qh;
  94         q = bca->openQ + bca->extQ * (abs(l) - 1);
  95         qh = l_run >= 3? (int)(bca->tandemQ * (double)abs(l) / l_run + .499) : 1000;
  96         return q < qh? q : qh;
  97 }
  98
  99 static inline int est_indelreg(int pos, const char *ref, int l, char *ins4)
 100 {
 101         int i, j, max = 0, max_i = pos, score = 0;
 102         l = abs(l);
 103         for (i = pos + 1, j = 0; ref[i]; ++i, ++j) {
 104                 if (ins4) score += (toupper(ref[i]) != "ACGTN"[(int)ins4[j%l]])? -10 : 1;
 105                 else score += (toupper(ref[i]) != toupper(ref[pos+1+j%l]))? -10 : 1;
 106                 if (score < 0) break;
 107                 if (max < score) max = score, max_i = i;
 108         }
 109         return max_i - pos;
 110 }
 111
 112 int bcf_call_gap_prep(int n, int *n_plp, bam_pileup1_t **plp, int pos, bcf_callaux_t *bca, const char *ref,
 113                                           const void *rghash)
 114 {
 115         extern void ks_introsort_uint32_t(int, uint32_t*);
 116         int i, s, j, k, t, n_types, *types, max_rd_len, left, right, max_ins, *score1, *score2;
 117         int N, K, l_run, ref_type, n_alt;
 118         char *inscns = 0, *ref2, *query;
 119         khash_t(rg) *hash = (khash_t(rg)*)rghash;
 120         if (ref == 0 || bca == 0) return -1;
 121         // mark filtered reads
 122         if (rghash) {
 123                 N = 0;
 124                 for (s = N = 0; s < n; ++s) {
 125                         for (i = 0; i < n_plp[s]; ++i) {
 126                                 bam_pileup1_t *p = plp[s] + i;
 127                                 const uint8_t *rg = bam_aux_get(p->b, "RG");
 128                                 p->aux = 1; // filtered by default
 129                                 if (rg) {
 130                                         khint_t k = kh_get(rg, hash, (const char*)(rg + 1));
 131                                         if (k != kh_end(hash)) p->aux = 0, ++N; // not filtered
 132                                 }
 133                         }
 134                 }
 135                 if (N == 0) return -1; // no reads left
 136         }
 137         // determine if there is a gap
 138         for (s = N = 0; s < n; ++s) {
 139                 for (i = 0; i < n_plp[s]; ++i)
 140                         if (plp[s][i].indel != 0) break;
 141                 if (i < n_plp[s]) break;
 142         }
 143         if (s == n) return -1; // there is no indel at this position.
 144         for (s = N = 0; s < n; ++s) N += n_plp[s]; // N is the total number of reads
 145         { // find out how many types of indels are present
 146                 int m, n_alt = 0, n_tot = 0;
 147                 uint32_t *aux;
 148                 aux = calloc(N + 1, 4);
 149                 m = max_rd_len = 0;
 150                 aux[m++] = MINUS_CONST; // zero indel is always a type
 151                 for (s = 0; s < n; ++s) {
 152                         for (i = 0; i < n_plp[s]; ++i) {
 153                                 const bam_pileup1_t *p = plp[s] + i;
 154                                 if (rghash == 0 || p->aux == 0) {
 155                                         ++n_tot;
 156                                         if (p->indel != 0) {
 157                                                 ++n_alt;
 158                                                 aux[m++] = MINUS_CONST + p->indel;
 159                                         }
 160                                 }
 161                                 j = bam_cigar2qlen(&p->b->core, bam1_cigar(p->b));
 162                                 if (j > max_rd_len) max_rd_len = j;
 163                         }
 164                 }
 165                 ks_introsort(uint32_t, m, aux);
 166                 // squeeze out identical types
 167                 for (i = 1, n_types = 1; i < m; ++i)
 168                         if (aux[i] != aux[i-1]) ++n_types;
 169                 if (n_types == 1 || n_alt * MIN_SUPPORT_COEF < n_tot) { // no indels or too few supporting reads
 170                         free(aux); return -1;
 171                 }
 172                 types = (int*)calloc(n_types, sizeof(int));
 173                 t = 0;
 174                 types[t++] = aux[0] - MINUS_CONST;
 175                 for (i = 1; i < m; ++i)
 176                         if (aux[i] != aux[i-1])
 177                                 types[t++] = aux[i] - MINUS_CONST;
 178                 free(aux);
 179                 for (t = 0; t < n_types; ++t)
 180                         if (types[t] == 0) break;
 181                 ref_type = t; // the index of the reference type (0)
 182                 assert(n_types < 64);
 183         }
 184         { // calculate left and right boundary
 185                 left = pos > INDEL_WINDOW_SIZE? pos - INDEL_WINDOW_SIZE : 0;
 186                 right = pos + INDEL_WINDOW_SIZE;
 187                 if (types[0] < 0) right -= types[0];
 188                 // in case the alignments stand out the reference
 189                 for (i = pos; i < right; ++i)
 190                         if (ref[i] == 0) break;
 191                 right = i;
 192         }
 193         { // the length of the homopolymer run around the current position
 194                 int c = bam_nt16_table[(int)ref[pos + 1]];
 195                 if (c == 15) l_run = 1;
 196                 else {
 197                         for (i = pos + 2; ref[i]; ++i)
 198                                 if (bam_nt16_table[(int)ref[i]] != c) break;
 199                         l_run = i;
 200                         for (i = pos; i >= 0; --i)
 201                                 if (bam_nt16_table[(int)ref[i]] != c) break;
 202                         l_run -= i + 1;
 203                 }
 204         }
 205         // construct the consensus sequence
 206         max_ins = types[n_types - 1]; // max_ins is at least 0
 207         if (max_ins > 0) {
 208                 int *inscns_aux = calloc(4 * n_types * max_ins, sizeof(int));
 209                 // count the number of occurrences of each base at each position for each type of insertion
 210                 for (t = 0; t < n_types; ++t) {
 211                         if (types[t] > 0) {
 212                                 for (s = 0; s < n; ++s) {
 213                                         for (i = 0; i < n_plp[s]; ++i) {
 214                                                 bam_pileup1_t *p = plp[s] + i;
 215                                                 if (p->indel == types[t]) {
 216                                                         uint8_t *seq = bam1_seq(p->b);
 217                                                         for (k = 1; k <= p->indel; ++k) {
 218                                                                 int c = bam_nt16_nt4_table[bam1_seqi(seq, p->qpos + k)];
 219                                                                 if (c < 4) ++inscns_aux[(t*max_ins+(k-1))*4 + c];
 220                                                         }
 221                                                 }
 222                                         }
 223                                 }
 224                         }
 225                 }
 226                 // use the majority rule to construct the consensus
 227                 inscns = calloc(n_types * max_ins, 1);
 228                 for (t = 0; t < n_types; ++t) {
 229                         for (j = 0; j < types[t]; ++j) {
 230                                 int max = 0, max_k = -1, *ia = &inscns_aux[(t*max_ins+j)*4];
 231                                 for (k = 0; k < 4; ++k)
 232                                         if (ia[k] > max)
 233                                                 max = ia[k], max_k = k;
 234                                 inscns[t*max_ins + j] = max? max_k : 4;
 235                         }
 236                 }
 237                 free(inscns_aux);
 238         }
 239         // compute the likelihood given each type of indel for each read
 240         ref2  = calloc(right - left + max_ins + 2, 1);
 241         query = calloc(right - left + max_rd_len + max_ins + 2, 1);
 242         score1 = calloc(N * n_types, sizeof(int));
 243         score2 = calloc(N * n_types, sizeof(int));
 244         bca->indelreg = 0;
 245         for (t = 0; t < n_types; ++t) {
 246                 int l, ir;
 247                 kpa_par_t apf1 = { 1e-4, 1e-2, 10 }, apf2 = { 1e-6, 1e-3, 10 };
 248                 apf1.bw = apf2.bw = abs(types[t]) + 3;
 249                 // compute indelreg
 250                 if (types[t] == 0) ir = 0;
 251                 else if (types[t] > 0) ir = est_indelreg(pos, ref, types[t], &inscns[t*max_ins]);
 252                 else ir = est_indelreg(pos, ref, -types[t], 0);
 253                 if (ir > bca->indelreg) bca->indelreg = ir;
 254 //              fprintf(stderr, "%d, %d, %d\n", pos, types[t], ir);
 255                 // write ref2
 256                 for (k = 0, j = left; j <= pos; ++j)
 257                         ref2[k++] = bam_nt16_nt4_table[bam_nt16_table[(int)ref[j]]];
 258                 if (types[t] <= 0) j += -types[t];
 259                 else for (l = 0; l < types[t]; ++l)
 260                                  ref2[k++] = inscns[t*max_ins + l];
 261                 if (types[0] < 0) { // mask deleted sequences to avoid a particular error in the model.
 262                         int jj, tmp = types[t] >= 0? -types[0] : -types[0] + types[t];
 263                         for (jj = 0; jj < tmp && j < right && ref[j]; ++jj, ++j)
 264                                 ref2[k++] = 4;
 265                 }
 266                 for (; j < right && ref[j]; ++j)
 267                         ref2[k++] = bam_nt16_nt4_table[bam_nt16_table[(int)ref[j]]];
 268                 if (j < right) right = j;
 269                 // align each read to ref2
 270                 for (s = K = 0; s < n; ++s) {
 271                         for (i = 0; i < n_plp[s]; ++i, ++K) {
 272                                 bam_pileup1_t *p = plp[s] + i;
 273                                 int qbeg, qend, tbeg, tend, sc;
 274                                 uint8_t *seq = bam1_seq(p->b);
 275                                 // FIXME: the following skips soft clips, but using them may be more sensitive.
 276                                 // determine the start and end of sequences for alignment
 277                                 qbeg = tpos2qpos(&p->b->core, bam1_cigar(p->b), left,  0, &tbeg);
 278                                 qend = tpos2qpos(&p->b->core, bam1_cigar(p->b), right, 1, &tend);
 279                                 if (types[t] < 0) {
 280                                         int l = -types[t];
 281                                         tbeg = tbeg - l > left?  tbeg - l : left;
 282                                 }
 283                                 // write the query sequence
 284                                 for (l = qbeg; l < qend; ++l)
 285                                         query[l - qbeg] = bam_nt16_nt4_table[bam1_seqi(seq, l)];
 286                                 { // do realignment; this is the bottleneck
 287                                         const uint8_t *qual = bam1_qual(p->b), *bq;
 288                                         uint8_t *qq;
 289                                         qq = calloc(qend - qbeg, 1);
 290                                         bq = (uint8_t*)bam_aux_get(p->b, "BQ");
 291                                         if (bq) ++bq; // skip type
 292                                         for (l = qbeg; l < qend; ++l) {
 293                                                 qq[l - qbeg] = bq? qual[l] + (bq[l] - 33) : qual[l];
 294                                                 if (qq[l - qbeg] > 30) qq[l - qbeg] = 30;
 295                                                 if (qq[l - qbeg] < 7) qq[l - qbeg] = 7;
 296                                         }
 297                                         sc = kpa_glocal((uint8_t*)ref2 + tbeg - left, tend - tbeg + abs(types[t]),
 298                                                                         (uint8_t*)query, qend - qbeg, qq, &apf1, 0, 0);
 299                                         score1[K*n_types + t] = score2[K*n_types + t] = sc;
 300                                         if (sc > 5) { // I do not know why, but a long exact match always has sc==5
 301                                                 sc = kpa_glocal((uint8_t*)ref2 + tbeg - left, tend - tbeg + abs(types[t]),
 302                                                                                 (uint8_t*)query, qend - qbeg, qq, &apf2, 0, 0);
 303                                                 score2[K*n_types + t] = sc;
 304                                         }
 305                                         free(qq);
 306                                 }
 307 /*
 308                                 for (l = 0; l < tend - tbeg + abs(types[t]); ++l)
 309                                         fputc("ACGTN"[(int)ref2[tbeg-left+l]], stderr);
 310                                 fputc('\n', stderr);
 311                                 for (l = 0; l < qend - qbeg; ++l) fputc("ACGTN"[(int)query[l]], stderr);
 312                                 fputc('\n', stderr);
 313                                 fprintf(stderr, "pos=%d type=%d read=%d:%d name=%s qbeg=%d tbeg=%d score=%d\n", pos, types[t], s, i, bam1_qname(p->b), qbeg, tbeg, sc);
 314 */
 315                         }
 316                 }
 317         }
 318         free(ref2); free(query);
 319         { // compute indelQ
 320                 int *sc, tmp, *sumq;
 321                 sc   = alloca(n_types * sizeof(int));
 322                 sumq = alloca(n_types * sizeof(int));
 323                 memset(sumq, 0, sizeof(int) * n_types);
 324                 for (s = K = 0; s < n; ++s) {
 325                         for (i = 0; i < n_plp[s]; ++i, ++K) {
 326                                 bam_pileup1_t *p = plp[s] + i;
 327                                 int *sct = &score1[K*n_types], indelQ1, indelQ2, seqQ, indelQ;
 328                                 for (t = 0; t < n_types; ++t) sc[t] = sct[t]<<6 | t;
 329                                 for (t = 1; t < n_types; ++t) // insertion sort
 330                                         for (j = t; j > 0 && sc[j] < sc[j-1]; --j)
 331                                                 tmp = sc[j], sc[j] = sc[j-1], sc[j-1] = tmp;
 332                                 /* errmod_cal() assumes that if the call is wrong, the
 333                                  * likelihoods of other events are equal. This is about
 334                                  * right for substitutions, but is not desired for
 335                                  * indels. To reuse errmod_cal(), I have to make
 336                                  * compromise for multi-allelic indels.
 337                                  */
 338                                 if ((sc[0]&0x3f) == ref_type) {
 339                                         indelQ1 = (sc[1]>>6) - (sc[0]>>6);
 340                                         seqQ = est_seqQ(bca, types[sc[1]&0x3f], l_run);
 341                                 } else {
 342                                         for (t = 0; t < n_types; ++t) // look for the reference type
 343                                                 if ((sc[t]&0x3f) == ref_type) break;
 344                                         indelQ1 = (sc[t]>>6) - (sc[0]>>6);
 345                                         seqQ = est_seqQ(bca, types[sc[0]&0x3f], l_run);
 346                                 }
 347                                 sct = &score2[K*n_types];
 348                                 for (t = 0; t < n_types; ++t) sc[t] = sct[t]<<6 | t;
 349                                 for (t = 1; t < n_types; ++t) // insertion sort
 350                                         for (j = t; j > 0 && sc[j] < sc[j-1]; --j)
 351                                                 tmp = sc[j], sc[j] = sc[j-1], sc[j-1] = tmp;
 352                                 if ((sc[0]&0x3f) == ref_type) {
 353                                         indelQ2 = (sc[1]>>6) - (sc[0]>>6);
 354                                 } else {
 355                                         for (t = 0; t < n_types; ++t) // look for the reference type
 356                                                 if ((sc[t]&0x3f) == ref_type) break;
 357                                         indelQ2 = (sc[t]>>6) - (sc[0]>>6);
 358                                 }
 359                                 indelQ = indelQ1 < indelQ2? indelQ1 : indelQ2;
 360                                 if (sc[0]>>6 > MAX_SCORE) indelQ = 0; // too many mismatches; something bad possibly happened
 361                                 p->aux = (sc[0]&0x3f)<<16 | seqQ<<8 | indelQ;
 362                                 sumq[sc[0]&0x3f] += indelQ < seqQ? indelQ : seqQ;
 363 //                              fprintf(stderr, "pos=%d read=%d:%d name=%s call=%d q=%d\n", pos, s, i, bam1_qname(p->b), types[sc[0]&0x3f], indelQ);
 364                         }
 365                 }
 366                 // determine bca->indel_types[] and bca->inscns
 367                 bca->maxins = max_ins;
 368                 bca->inscns = realloc(bca->inscns, bca->maxins * 4);
 369                 for (t = 0; t < n_types; ++t)
 370                         sumq[t] = sumq[t]<<6 | t;
 371                 for (t = 1; t < n_types; ++t) // insertion sort
 372                         for (j = t; j > 0 && sumq[j] > sumq[j-1]; --j)
 373                                 tmp = sumq[j], sumq[j] = sumq[j-1], sumq[j-1] = tmp;
 374                 for (t = 0; t < n_types; ++t) // look for the reference type
 375                         if ((sumq[t]&0x3f) == ref_type) break;
 376                 if (t) { // then move the reference type to the first
 377                         tmp = sumq[t];
 378                         for (; t > 0; --t) sumq[t] = sumq[t-1];
 379                         sumq[0] = tmp;
 380                 }
 381                 for (t = 0; t < 4; ++t) bca->indel_types[t] = B2B_INDEL_NULL;
 382                 for (t = 0; t < 4 && t < n_types; ++t) {
 383                         bca->indel_types[t] = types[sumq[t]&0x3f];
 384                         memcpy(&bca->inscns[t * bca->maxins], &inscns[(sumq[t]&0x3f) * max_ins], bca->maxins);
 385                 }
 386                 // update p->aux
 387                 for (s = n_alt = 0; s < n; ++s) {
 388                         for (i = 0; i < n_plp[s]; ++i) {
 389                                 bam_pileup1_t *p = plp[s] + i;
 390                                 int x = types[p->aux>>16&0x3f];
 391                                 for (j = 0; j < 4; ++j)
 392                                         if (x == bca->indel_types[j]) break;
 393                                 p->aux = j<<16 | (j == 4? 0 : (p->aux&0xffff));
 394                                 if ((p->aux>>16&0x3f) > 0) ++n_alt;
 395 //                              fprintf(stderr, "X pos=%d read=%d:%d name=%s call=%d type=%d q=%d seqQ=%d\n", pos, s, i, bam1_qname(p->b), p->aux>>16&63, bca->indel_types[p->aux>>16&63], p->aux&0xff, p->aux>>8&0xff);
 396                         }
 397                 }
 398         }
 399         free(score1); free(score2);
 400         // free
 401         free(types); free(inscns);
 402         return n_alt > 0? 0 : -1;
 403 }