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 "khash.h"
   9 KHASH_SET_INIT_STR(rg)
  10
  11 #define MINUS_CONST 0x10000000
  12 #define INDEL_WINDOW_SIZE 50
  13
  14 void *bcf_call_add_rg(void *_hash, const char *hdtext, const char *list)
  15 {
  16         const char *s, *p, *q, *r, *t;
  17         khash_t(rg) *hash;
  18         if (list == 0 || hdtext == 0) return _hash;
  19         if (_hash == 0) _hash = kh_init(rg);
  20         hash = (khash_t(rg)*)_hash;
  21         if ((s = strstr(hdtext, "@RG\t")) == 0) return hash;
  22         do {
  23                 t = strstr(s + 4, "@RG\t"); // the next @RG
  24                 if ((p = strstr(s, "\tID:")) != 0) p += 4;
  25                 if ((q = strstr(s, "\tPL:")) != 0) q += 4;
  26                 if (p && q && (t == 0 || (p < t && q < t))) { // ID and PL are both present
  27                         int lp, lq;
  28                         char *x;
  29                         for (r = p; *r && *r != '\t' && *r != '\n'; ++r); lp = r - p;
  30                         for (r = q; *r && *r != '\t' && *r != '\n'; ++r); lq = r - q;
  31                         x = calloc((lp > lq? lp : lq) + 1, 1);
  32                         for (r = q; *r && *r != '\t' && *r != '\n'; ++r) x[r-q] = *r;
  33                         if (strstr(list, x)) { // insert ID to the hash table
  34                                 khint_t k;
  35                                 int ret;
  36                                 for (r = p; *r && *r != '\t' && *r != '\n'; ++r) x[r-p] = *r;
  37                                 x[r-p] = 0;
  38                                 k = kh_get(rg, hash, x);
  39                                 if (k == kh_end(hash)) k = kh_put(rg, hash, x, &ret);
  40                                 else free(x);
  41                         } else free(x);
  42                 }
  43                 s = t;
  44         } while (s);
  45         return hash;
  46 }
  47
  48 void bcf_call_del_rghash(void *_hash)
  49 {
  50         khint_t k;
  51         khash_t(rg) *hash = (khash_t(rg)*)_hash;
  52         if (hash == 0) return;
  53         for (k = kh_begin(hash); k < kh_end(hash); ++k)
  54                 if (kh_exist(hash, k))
  55                         free((char*)kh_key(hash, k));
  56         kh_destroy(rg, hash);
  57 }
  58
  59 static int tpos2qpos(const bam1_core_t *c, const uint32_t *cigar, int32_t tpos, int is_left, int32_t *_tpos)
  60 {
  61         int k, x = c->pos, y = 0, last_y = 0;
  62         *_tpos = c->pos;
  63         for (k = 0; k < c->n_cigar; ++k) {
  64                 int op = cigar[k] & BAM_CIGAR_MASK;
  65                 int l = cigar[k] >> BAM_CIGAR_SHIFT;
  66                 if (op == BAM_CMATCH) {
  67                         if (c->pos > tpos) return y;
  68                         if (x + l > tpos) {
  69                                 *_tpos = tpos;
  70                                 return y + (tpos - x);
  71                         }
  72                         x += l; y += l;
  73                         last_y = y;
  74                 } else if (op == BAM_CINS || op == BAM_CSOFT_CLIP) y += l;
  75                 else if (op == BAM_CDEL || op == BAM_CREF_SKIP) {
  76                         if (x + l > tpos) {
  77                                 *_tpos = is_left? x : x + l;
  78                                 return y;
  79                         }
  80                         x += l;
  81                 }
  82         }
  83         *_tpos = x;
  84         return last_y;
  85 }
  86 // FIXME: check if the inserted sequence is consistent with the homopolymer run
  87 // l is the relative gap length and l_run is the length of the homopolymer on the reference
  88 static inline int est_seqQ(const bcf_callaux_t *bca, int l, int l_run)
  89 {
  90         int q, qh;
  91         q = bca->openQ + bca->extQ * (abs(l) - 1);
  92         qh = l_run >= 3? (int)(bca->tandemQ * (double)abs(l) / l_run + .499) : 1000;
  93         return q < qh? q : qh;
  94 }
  95
  96 static inline int est_indelreg(int pos, const char *ref, int l, char *ins4)
  97 {
  98         int i, j, max = 0, max_i = pos, score = 0;
  99         l = abs(l);
 100         for (i = pos + 1, j = 0; ref[i]; ++i, ++j) {
 101                 if (ins4) score += (toupper(ref[i]) != "ACGTN"[(int)ins4[j%l]])? -10 : 1;
 102                 else score += (toupper(ref[i]) != toupper(ref[pos+1+j%l]))? -10 : 1;
 103                 if (score < 0) break;
 104                 if (max < score) max = score, max_i = i;
 105         }
 106         return max_i - pos;
 107 }
 108
 109 int bcf_call_gap_prep(int n, int *n_plp, bam_pileup1_t **plp, int pos, bcf_callaux_t *bca, const char *ref,
 110                                           const void *rghash)
 111 {
 112         extern void ks_introsort_uint32_t(int, uint32_t*);
 113         int i, s, j, k, t, n_types, *types, max_rd_len, left, right, max_ins, *score, N, K, l_run, ref_type, n_alt;
 114         char *inscns = 0, *ref2, *query;
 115         khash_t(rg) *hash = (khash_t(rg)*)rghash;
 116         if (ref == 0 || bca == 0) return -1;
 117         // mark filtered reads
 118         if (rghash) {
 119                 N = 0;
 120                 for (s = N = 0; s < n; ++s) {
 121                         for (i = 0; i < n_plp[s]; ++i) {
 122                                 bam_pileup1_t *p = plp[s] + i;
 123                                 const uint8_t *rg = bam_aux_get(p->b, "RG");
 124                                 p->aux = 1; // filtered by default
 125                                 if (rg) {
 126                                         khint_t k = kh_get(rg, hash, (const char*)(rg + 1));
 127                                         if (k != kh_end(hash)) p->aux = 0, ++N; // not filtered
 128                                 }
 129                         }
 130                 }
 131                 if (N == 0) return -1; // no reads left
 132         }
 133         // determine if there is a gap
 134         for (s = N = 0; s < n; ++s) {
 135                 for (i = 0; i < n_plp[s]; ++i)
 136                         if (plp[s][i].indel != 0) break;
 137                 if (i < n_plp[s]) break;
 138         }
 139         if (s == n) return -1; // there is no indel at this position.
 140         for (s = N = 0; s < n; ++s) N += n_plp[s]; // N is the total number of reads
 141         { // find out how many types of indels are present
 142                 int m;
 143                 uint32_t *aux;
 144                 aux = calloc(N + 1, 4);
 145                 m = max_rd_len = 0;
 146                 aux[m++] = MINUS_CONST; // zero indel is always a type
 147                 for (s = 0; s < n; ++s) {
 148                         for (i = 0; i < n_plp[s]; ++i) {
 149                                 const bam_pileup1_t *p = plp[s] + i;
 150                                 if (p->indel != 0 && (rghash == 0 || p->aux == 0))
 151                                         aux[m++] = MINUS_CONST + p->indel;
 152                                 j = bam_cigar2qlen(&p->b->core, bam1_cigar(p->b));
 153                                 if (j > max_rd_len) max_rd_len = j;
 154                         }
 155                 }
 156                 ks_introsort(uint32_t, m, aux);
 157                 // squeeze out identical types
 158                 for (i = 1, n_types = 1; i < m; ++i)
 159                         if (aux[i] != aux[i-1]) ++n_types;
 160                 if (n_types == 1) { // no indels
 161                         free(aux); return -1;
 162                 }
 163                 types = (int*)calloc(n_types, sizeof(int));
 164                 t = 0;
 165                 types[t++] = aux[0] - MINUS_CONST;
 166                 for (i = 1; i < m; ++i)
 167                         if (aux[i] != aux[i-1])
 168                                 types[t++] = aux[i] - MINUS_CONST;
 169                 free(aux);
 170                 for (t = 0; t < n_types; ++t)
 171                         if (types[t] == 0) break;
 172                 ref_type = t; // the index of the reference type (0)
 173                 assert(n_types < 64);
 174         }
 175         { // calculate left and right boundary
 176                 left = pos > INDEL_WINDOW_SIZE? pos - INDEL_WINDOW_SIZE : 0;
 177                 right = pos + INDEL_WINDOW_SIZE;
 178                 if (types[0] < 0) right -= types[0];
 179                 // in case the alignments stand out the reference
 180                 for (i = pos; i < right; ++i)
 181                         if (ref[i] == 0) break;
 182                 right = i;
 183         }
 184         { // the length of the homopolymer run around the current position
 185                 int c = bam_nt16_table[(int)ref[pos + 1]];
 186                 if (c == 15) l_run = 1;
 187                 else {
 188                         for (i = pos + 2; ref[i]; ++i)
 189                                 if (bam_nt16_table[(int)ref[i]] != c) break;
 190                         l_run = i;
 191                         for (i = pos; i >= 0; --i)
 192                                 if (bam_nt16_table[(int)ref[i]] != c) break;
 193                         l_run -= i + 1;
 194                 }
 195         }
 196         // construct the consensus sequence
 197         max_ins = types[n_types - 1]; // max_ins is at least 0
 198         if (max_ins > 0) {
 199                 int *inscns_aux = calloc(4 * n_types * max_ins, sizeof(int));
 200                 // count the number of occurrences of each base at each position for each type of insertion
 201                 for (t = 0; t < n_types; ++t) {
 202                         if (types[t] > 0) {
 203                                 for (s = 0; s < n; ++s) {
 204                                         for (i = 0; i < n_plp[s]; ++i) {
 205                                                 bam_pileup1_t *p = plp[s] + i;
 206                                                 if (p->indel == types[t]) {
 207                                                         uint8_t *seq = bam1_seq(p->b);
 208                                                         for (k = 1; k <= p->indel; ++k) {
 209                                                                 int c = bam_nt16_nt4_table[bam1_seqi(seq, p->qpos + k)];
 210                                                                 if (c < 4) ++inscns_aux[(t*max_ins+(k-1))*4 + c];
 211                                                         }
 212                                                 }
 213                                         }
 214                                 }
 215                         }
 216                 }
 217                 // use the majority rule to construct the consensus
 218                 inscns = calloc(n_types * max_ins, 1);
 219                 for (t = 0; t < n_types; ++t) {
 220                         for (j = 0; j < types[t]; ++j) {
 221                                 int max = 0, max_k = -1, *ia = &inscns_aux[(t*max_ins+j)*4];
 222                                 for (k = 0; k < 4; ++k)
 223                                         if (ia[k] > max)
 224                                                 max = ia[k], max_k = k;
 225                                 inscns[t*max_ins + j] = max? max_k : 4;
 226                         }
 227                 }
 228                 free(inscns_aux);
 229         }
 230         // compute the likelihood given each type of indel for each read
 231         ref2  = calloc(right - left + max_ins + 2, 1);
 232         query = calloc(right - left + max_rd_len + max_ins + 2, 1);
 233         score = calloc(N * n_types, sizeof(int));
 234         bca->indelreg = 0;
 235         for (t = 0; t < n_types; ++t) {
 236                 int l, ir;
 237                 ka_param2_t ap = ka_param2_qual;
 238                 ap.band_width = abs(types[t]) + 3;
 239                 // compute indelreg
 240                 if (types[t] == 0) ir = 0;
 241                 else if (types[t] > 0) ir = est_indelreg(pos, ref, types[t], &inscns[t*max_ins]);
 242                 else ir = est_indelreg(pos, ref, -types[t], 0);
 243                 if (ir > bca->indelreg) bca->indelreg = ir;
 244 //              fprintf(stderr, "%d, %d, %d\n", pos, types[t], ir);
 245                 // write ref2
 246                 for (k = 0, j = left; j <= pos; ++j)
 247                         ref2[k++] = bam_nt16_nt4_table[bam_nt16_table[(int)ref[j]]];
 248                 if (types[t] <= 0) j += -types[t];
 249                 else for (l = 0; l < types[t]; ++l)
 250                                  ref2[k++] = inscns[t*max_ins + l];
 251                 if (types[0] < 0) { // mask deleted sequences to avoid a particular error in the model.
 252                         int jj, tmp = types[t] >= 0? -types[0] : -types[0] + types[t];
 253                         for (jj = 0; jj < tmp && j < right && ref[j]; ++jj, ++j)
 254                                 ref2[k++] = 4;
 255                 }
 256                 for (; j < right && ref[j]; ++j)
 257                         ref2[k++] = bam_nt16_nt4_table[bam_nt16_table[(int)ref[j]]];
 258                 if (j < right) right = j;
 259                 // align each read to ref2
 260                 for (s = K = 0; s < n; ++s) {
 261                         for (i = 0; i < n_plp[s]; ++i, ++K) {
 262                                 bam_pileup1_t *p = plp[s] + i;
 263                                 int qbeg, qend, tbeg, tend, sc;
 264                                 uint8_t *seq = bam1_seq(p->b);
 265                                 // determine the start and end of sequences for alignment
 266                                 qbeg = tpos2qpos(&p->b->core, bam1_cigar(p->b), left,  0, &tbeg);
 267                                 qend = tpos2qpos(&p->b->core, bam1_cigar(p->b), right, 1, &tend);
 268                                 if (types[t] < 0) {
 269                                         int l = -types[t];
 270                                         tbeg = tbeg - l > left?  tbeg - l : left;
 271                                 }
 272                                 // write the query sequence
 273                                 for (l = qbeg; l < qend; ++l)
 274                                         query[l - qbeg] = bam_nt16_nt4_table[bam1_seqi(seq, l)];
 275                                 // do alignment; this takes most of computing time for indel calling
 276                                 sc = ka_global_score((uint8_t*)ref2 + tbeg - left, tend - tbeg + abs(types[t]),
 277                                                                          (uint8_t*)query, qend - qbeg, &ap);
 278                                 score[K*n_types + t] = -sc;
 279 /*
 280                                 for (l = 0; l < tend - tbeg + abs(types[t]); ++l)
 281                                         fputc("ACGTN"[(int)ref2[tbeg-left+l]], stderr);
 282                                 fputc('\n', stderr);
 283                                 for (l = 0; l < qend - qbeg; ++l) fputc("ACGTN"[(int)query[l]], stderr);
 284                                 fputc('\n', stderr);
 285                                 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);
 286 */
 287                         }
 288                 }
 289         }
 290         free(ref2); free(query);
 291         { // compute indelQ
 292                 int *sc, tmp, *sumq;
 293                 sc   = alloca(n_types * sizeof(int));
 294                 sumq = alloca(n_types * sizeof(int));
 295                 memset(sumq, 0, sizeof(int) * n_types);
 296                 for (s = K = 0; s < n; ++s) {
 297                         for (i = 0; i < n_plp[s]; ++i, ++K) {
 298                                 bam_pileup1_t *p = plp[s] + i;
 299                                 int *sct = &score[K*n_types], indelQ, seqQ;
 300                                 for (t = 0; t < n_types; ++t) sc[t] = sct[t]<<6 | t;
 301                                 for (t = 1; t < n_types; ++t) // insertion sort
 302                                         for (j = t; j > 0 && sc[j] < sc[j-1]; --j)
 303                                                 tmp = sc[j], sc[j] = sc[j-1], sc[j-1] = tmp;
 304                                 /* errmod_cal() assumes that if the call is wrong, the
 305                                  * likelihoods of other events are equal. This is about
 306                                  * right for substitutions, but is not desired for
 307                                  * indels. To reuse errmod_cal(), I have to make
 308                                  * compromise for multi-allelic indels.
 309                                  */
 310                                 if ((sc[0]&0x3f) == ref_type) {
 311                                         indelQ = (sc[1]>>6) - (sc[0]>>6);
 312                                         seqQ = est_seqQ(bca, types[sc[1]&0x3f], l_run);
 313                                 } else {
 314                                         for (t = 0; t < n_types; ++t) // look for the reference type
 315                                                 if ((sc[t]&0x3f) == ref_type) break;
 316                                         indelQ = (sc[t]>>6) - (sc[0]>>6);
 317                                         seqQ = est_seqQ(bca, types[sc[0]&0x3f], l_run);
 318                                 }
 319                                 p->aux = (sc[0]&0x3f)<<16 | seqQ<<8 | indelQ;
 320                                 sumq[sc[0]&0x3f] += indelQ < seqQ? indelQ : seqQ;
 321 //                              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);
 322                         }
 323                 }
 324                 // determine bca->indel_types[] and bca->inscns
 325                 bca->maxins = max_ins;
 326                 bca->inscns = realloc(bca->inscns, bca->maxins * 4);
 327                 for (t = 0; t < n_types; ++t)
 328                         sumq[t] = sumq[t]<<6 | t;
 329                 for (t = 1; t < n_types; ++t) // insertion sort
 330                         for (j = t; j > 0 && sumq[j] < sumq[j-1]; --j)
 331                                 tmp = sumq[j], sumq[j] = sumq[j-1], sumq[j-1] = tmp;
 332                 for (t = 0; t < n_types; ++t) // look for the reference type
 333                         if ((sumq[t]&0x3f) == ref_type) break;
 334                 if (t) { // then move the reference type to the first
 335                         tmp = sumq[t];
 336                         for (; t > 0; --t) sumq[t] = sumq[t-1];
 337                         sumq[0] = tmp;
 338                 }
 339                 for (t = 0; t < 4; ++t) bca->indel_types[t] = B2B_INDEL_NULL;
 340                 for (t = 0; t < 4 && t < n_types; ++t) {
 341                         bca->indel_types[t] = types[sumq[t]&0x3f];
 342                         memcpy(&bca->inscns[t * bca->maxins], &inscns[(sumq[t]&0x3f) * max_ins], bca->maxins);
 343                 }
 344                 // update p->aux
 345                 for (s = n_alt = 0; s < n; ++s) {
 346                         for (i = 0; i < n_plp[s]; ++i) {
 347                                 bam_pileup1_t *p = plp[s] + i;
 348                                 int x = types[p->aux>>16&0x3f];
 349                                 for (j = 0; j < 4; ++j)
 350                                         if (x == bca->indel_types[j]) break;
 351                                 p->aux = j<<16 | (j == 4? 0 : (p->aux&0xffff));
 352                                 if ((p->aux>>16&0x3f) > 0) ++n_alt;
 353 //                              fprintf(stderr, "pos=%d read=%d:%d name=%s call=%d q=%d\n", pos, s, i, bam1_qname(p->b), p->aux>>16&63, p->aux&0xff);
 354                         }
 355                 }
 356         }
 357         free(score);
 358         // free
 359         free(types); free(inscns);
 360         return n_alt > 0? 0 : -1;
 361 }