padding.c

   1 #include <string.h>
   2 #include <assert.h>
   3 #include <unistd.h>
   4 #include "kstring.h"
   5 #include "sam_header.h"
   6 #include "sam.h"
   7 #include "bam.h"
   8 #include "faidx.h"
   9
  10 bam_header_t *bam_header_dup(const bam_header_t *h0); /*in sam.c*/
  11
  12 static void replace_cigar(bam1_t *b, int n, uint32_t *cigar)
  13 {
  14         if (n != b->core.n_cigar) {
  15                 int o = b->core.l_qname + b->core.n_cigar * 4;
  16                 if (b->data_len + (n - b->core.n_cigar) * 4 > b->m_data) {
  17                         b->m_data = b->data_len + (n - b->core.n_cigar) * 4;
  18                         kroundup32(b->m_data);
  19                         b->data = (uint8_t*)realloc(b->data, b->m_data);
  20                 }
  21                 memmove(b->data + b->core.l_qname + n * 4, b->data + o, b->data_len - o);
  22                 memcpy(b->data + b->core.l_qname, cigar, n * 4);
  23                 b->data_len += (n - b->core.n_cigar) * 4;
  24                 b->core.n_cigar = n;
  25         } else memcpy(b->data + b->core.l_qname, cigar, n * 4);
  26 }
  27
  28 #define write_cigar(_c, _n, _m, _v) do { \
  29                 if (_n == _m) { \
  30                         _m = _m? _m<<1 : 4; \
  31                         _c = (uint32_t*)realloc(_c, _m * 4); \
  32                 } \
  33                 _c[_n++] = (_v); \
  34         } while (0)
  35
  36 static void unpad_seq(bam1_t *b, kstring_t *s)
  37 {
  38         int k, j, i;
  39         int length;
  40         uint32_t *cigar = bam1_cigar(b);
  41         uint8_t *seq = bam1_seq(b);
  42         // b->core.l_qseq gives length of the SEQ entry (including soft clips, S)
  43         // We need the padded length after alignment from the CIGAR (excluding
  44         // soft clips S, but including pads from CIGAR D operations)
  45         length = 0;
  46         for (k = 0; k < b->core.n_cigar; ++k) {
  47                 int op, ol;
  48                 op= bam_cigar_op(cigar[k]);
  49                 ol = bam_cigar_oplen(cigar[k]);
  50                 if (op == BAM_CMATCH || op == BAM_CEQUAL || op == BAM_CDIFF || op == BAM_CDEL)
  51                         length += ol;
  52         }
  53         ks_resize(s, length);
  54         for (k = 0, s->l = 0, j = 0; k < b->core.n_cigar; ++k) {
  55                 int op, ol;
  56                 op = bam_cigar_op(cigar[k]);
  57                 ol = bam_cigar_oplen(cigar[k]);
  58                 if (op == BAM_CMATCH || op == BAM_CEQUAL || op == BAM_CDIFF) {
  59                         for (i = 0; i < ol; ++i, ++j) s->s[s->l++] = bam1_seqi(seq, j);
  60                 } else if (op == BAM_CSOFT_CLIP) {
  61                         j += ol;
  62                 } else if (op == BAM_CHARD_CLIP) {
  63                         /* do nothing */
  64                 } else if (op == BAM_CDEL) {
  65                         for (i = 0; i < ol; ++i) s->s[s->l++] = 0;
  66                 } else {
  67                         fprintf(stderr, "[depad] ERROR: Didn't expect CIGAR op %c in read %s\n", BAM_CIGAR_STR[op], bam1_qname(b));
  68                         assert(-1);
  69                 }
  70         }
  71         assert(length == s->l);
  72 }
  73
  74 int load_unpadded_ref(faidx_t *fai, char *ref_name, int ref_len, kstring_t *seq)
  75 {
  76         char base;
  77         char *fai_ref = 0;
  78         int fai_ref_len = 0, k;
  79
  80         fai_ref = fai_fetch(fai, ref_name, &fai_ref_len);
  81         if (fai_ref_len != ref_len) {
  82                 fprintf(stderr, "[depad] ERROR: FASTA sequence %s length %i, expected %i\n", ref_name, fai_ref_len, ref_len);
  83                 free(fai_ref);
  84                 return -1;
  85         }
  86         ks_resize(seq, ref_len);
  87         seq->l = 0;
  88         for (k = 0; k < ref_len; ++k) {
  89                 base = fai_ref[k];
  90                 if (base == '-' || base == '*') {
  91                         // Map gaps to null to match unpad_seq function
  92                         seq->s[seq->l++] = 0;
  93                 } else {
  94                         int i = bam_nt16_table[(int)base];
  95                         if (i == 0 || i==16) { // Equals maps to 0, anything unexpected to 16
  96                                 fprintf(stderr, "[depad] ERROR: Invalid character %c (ASCII %i) in FASTA sequence %s\n", base, (int)base, ref_name);
  97                                 free(fai_ref);
  98                                 return -1;
  99                         }
 100                         seq->s[seq->l++] = i;
 101                 }
 102         }
 103         assert(ref_len == seq->l);
 104         free(fai_ref);
 105         return 0;
 106 }
 107
 108 int get_unpadded_len(faidx_t *fai, char *ref_name, int padded_len)
 109 {
 110         char base;
 111         char *fai_ref = 0;
 112         int fai_ref_len = 0, k;
 113         int bases=0, gaps=0;
 114
 115         fai_ref = fai_fetch(fai, ref_name, &fai_ref_len);
 116         if (fai_ref_len != padded_len) {
 117                 fprintf(stderr, "[depad] ERROR: FASTA sequence '%s' length %i, expected %i\n", ref_name, fai_ref_len, padded_len);
 118                 free(fai_ref);
 119                 return -1;
 120         }
 121         for (k = 0; k < padded_len; ++k) {
 122                 //fprintf(stderr, "[depad] checking base %i of %i or %i\n", k+1, ref_len, strlen(fai_ref));
 123                 base = fai_ref[k];
 124                 if (base == '-' || base == '*') {
 125                         gaps += 1;
 126                 } else {
 127                         int i = bam_nt16_table[(int)base];
 128                         if (i == 0 || i==16) { // Equals maps to 0, anything unexpected to 16
 129                                 fprintf(stderr, "[depad] ERROR: Invalid character %c (ASCII %i) in FASTA sequence '%s'\n", base, (int)base, ref_name);
 130                                 free(fai_ref);
 131                                 return -1;
 132                         }
 133                         bases += 1;
 134                 }
 135         }
 136         free(fai_ref);
 137         assert (padded_len == bases + gaps);
 138         return bases;
 139 }
 140
 141 inline int * update_posmap(int *posmap, kstring_t ref)
 142 {
 143         int i, k;
 144         posmap = realloc(posmap, ref.m * sizeof(int));
 145         for (i = k = 0; i < ref.l; ++i) {
 146                 posmap[i] = k;
 147                 if (ref.s[i]) ++k;
 148         }
 149         return posmap;
 150 }
 151
 152 int bam_pad2unpad(samfile_t *in, samfile_t *out, faidx_t *fai)
 153 {
 154         bam_header_t *h = 0;
 155         bam1_t *b = 0;
 156         kstring_t r, q;
 157         int r_tid = -1;
 158         uint32_t *cigar2 = 0;
 159         int ret = 0, n2 = 0, m2 = 0, *posmap = 0;
 160
 161         b = bam_init1();
 162         r.l = r.m = q.l = q.m = 0; r.s = q.s = 0;
 163         int read_ret;
 164         h = in->header;
 165         while ((read_ret = samread(in, b)) >= 0) { // read one alignment from `in'
 166                 uint32_t *cigar = bam1_cigar(b);
 167                 n2 = 0;
 168                 if (b->core.pos == 0 && b->core.tid >= 0 && strcmp(bam1_qname(b), h->target_name[b->core.tid]) == 0) {
 169                         // fprintf(stderr, "[depad] Found embedded reference %s\n", bam1_qname(b));
 170                         r_tid = b->core.tid;
 171                         unpad_seq(b, &r);
 172                         if (h->target_len[r_tid] != r.l) {
 173                                 fprintf(stderr, "[depad] ERROR: (Padded) length of '%s' is %d in BAM header, but %ld in embedded reference\n", bam1_qname(b), h->target_len[r_tid], r.l);
 174                                 return -1;
 175                         }
 176                         if (fai) {
 177                                 // Check the embedded reference matches the FASTA file
 178                                 if (load_unpadded_ref(fai, h->target_name[b->core.tid], h->target_len[b->core.tid], &q)) {
 179                                         fprintf(stderr, "[depad] ERROR: Failed to load embedded reference '%s' from FASTA\n", h->target_name[b->core.tid]);
 180                                         return -1;
 181                                 }
 182                                 assert(r.l == q.l);
 183                                 int i;
 184                                 for (i = 0; i < r.l; ++i) {
 185                                         if (r.s[i] != q.s[i]) {
 186                                                 // Show gaps as ASCII 45
 187                                                 fprintf(stderr, "[depad] ERROR: Embedded sequence and reference FASTA don't match for %s base %i, '%c' vs '%c'\n",
 188                                                         h->target_name[b->core.tid], i+1,
 189                                                         r.s[i] ? bam_nt16_rev_table[(int)r.s[i]] : 45,
 190                                                         q.s[i] ? bam_nt16_rev_table[(int)q.s[i]] : 45);
 191                                                 return -1;
 192                                         }
 193                                 }
 194                         }
 195                         write_cigar(cigar2, n2, m2, bam_cigar_gen(b->core.l_qseq, BAM_CMATCH));
 196                         replace_cigar(b, n2, cigar2);
 197                         posmap = update_posmap(posmap, r);
 198                 } else if (b->core.n_cigar > 0) {
 199                         int i, k, op;
 200                         if (b->core.tid < 0) {
 201                                 fprintf(stderr, "[depad] ERROR: Read '%s' has CIGAR but no RNAME\n", bam1_qname(b));
 202                                 return -1;
 203                         } else if (b->core.tid == r_tid) {
 204                                 ; // good case, reference available
 205                         } else if (fai) {
 206                                 if (load_unpadded_ref(fai, h->target_name[b->core.tid], h->target_len[b->core.tid], &r)) {
 207                                         fprintf(stderr, "[depad] ERROR: Failed to load '%s' from reference FASTA\n", h->target_name[b->core.tid]);
 208                                         return -1;
 209                                 }
 210                                 posmap = update_posmap(posmap, r);
 211                                 r_tid = b->core.tid;
 212                                 // fprintf(stderr, "[depad] Loaded %s from FASTA file\n", h->target_name[b->core.tid]);
 213                         } else {
 214                                 fprintf(stderr, "[depad] ERROR: Missing %s embedded reference sequence (and no FASTA file)\n", h->target_name[b->core.tid]);
 215                                 return -1;
 216                         }
 217                         unpad_seq(b, &q);
 218                         if (bam_cigar_op(cigar[0]) == BAM_CSOFT_CLIP) {
 219                                 write_cigar(cigar2, n2, m2, cigar[0]);
 220                         } else if (bam_cigar_op(cigar[0]) == BAM_CHARD_CLIP) {
 221                                 write_cigar(cigar2, n2, m2, cigar[0]);
 222                                 if (b->core.n_cigar > 2 && bam_cigar_op(cigar[1]) == BAM_CSOFT_CLIP) {
 223                                         write_cigar(cigar2, n2, m2, cigar[1]);
 224                                 }
 225                         }
 226                         /* Determine CIGAR operator for each base in the aligned read */
 227                         for (i = 0, k = b->core.pos; i < q.l; ++i, ++k)
 228                                 q.s[i] = q.s[i]? (r.s[k]? BAM_CMATCH : BAM_CINS) : (r.s[k]? BAM_CDEL : BAM_CPAD);
 229                         /* Include any pads if starts with an insert */
 230                         if (q.s[0] == BAM_CINS) {
 231                                 for (k = 0; k+1 < b->core.pos && !r.s[b->core.pos - k - 1]; ++k);
 232                                 if (k) write_cigar(cigar2, n2, m2, bam_cigar_gen(k, BAM_CPAD));
 233                         }
 234                         /* Count consecutive CIGAR operators to turn into a CIGAR string */
 235                         for (i = k = 1, op = q.s[0]; i < q.l; ++i) {
 236                                 if (op != q.s[i]) {
 237                                         write_cigar(cigar2, n2, m2, bam_cigar_gen(k, op));
 238                                         op = q.s[i]; k = 1;
 239                                 } else ++k;
 240                         }
 241                         write_cigar(cigar2, n2, m2, bam_cigar_gen(k, op));
 242                         if (bam_cigar_op(cigar[b->core.n_cigar-1]) == BAM_CSOFT_CLIP) {
 243                                 write_cigar(cigar2, n2, m2, cigar[b->core.n_cigar-1]);
 244                         } else if (bam_cigar_op(cigar[b->core.n_cigar-1]) == BAM_CHARD_CLIP) {
 245                                 if (b->core.n_cigar > 2 && bam_cigar_op(cigar[b->core.n_cigar-2]) == BAM_CSOFT_CLIP) {
 246                                         write_cigar(cigar2, n2, m2, cigar[b->core.n_cigar-2]);
 247                                 }
 248                                 write_cigar(cigar2, n2, m2, cigar[b->core.n_cigar-1]);
 249                         }
 250                         /* Remove redundant P operators between M/X/=/D operators, e.g. 5M2P10M -> 15M */
 251                         int pre_op, post_op;
 252                         for (i = 2; i < n2; ++i)
 253                                 if (bam_cigar_op(cigar2[i-1]) == BAM_CPAD) {
 254                                         pre_op = bam_cigar_op(cigar2[i-2]);
 255                                         post_op = bam_cigar_op(cigar2[i]);
 256                                         /* Note don't need to check for X/= as code above will use M only */
 257                                         if ((pre_op == BAM_CMATCH || pre_op == BAM_CDEL) && (post_op == BAM_CMATCH || post_op == BAM_CDEL)) {
 258                                                 /* This is a redundant P operator */
 259                                                 cigar2[i-1] = 0; // i.e. 0M
 260                                                 /* If had same operator either side, combine them in post_op */
 261                                                 if (pre_op == post_op) {
 262                                                         /* If CIGAR M, could treat as simple integers since BAM_CMATCH is zero*/
 263                                                         cigar2[i] = bam_cigar_gen(bam_cigar_oplen(cigar2[i-2]) + bam_cigar_oplen(cigar2[i]), post_op);
 264                                                         cigar2[i-2] = 0; // i.e. 0M
 265                                                 }
 266                                         }
 267                                 }
 268                         /* Remove the zero'd operators (0M) */
 269                         for (i = k = 0; i < n2; ++i)
 270                                 if (cigar2[i]) cigar2[k++] = cigar2[i];
 271                         n2 = k;
 272                         replace_cigar(b, n2, cigar2);
 273                         b->core.pos = posmap[b->core.pos];
 274                 }
 275                 samwrite(out, b);
 276         }
 277         if (read_ret < -1) {
 278                 fprintf(stderr, "[depad] truncated file.\n");
 279                 ret = 1;
 280         }
 281         free(r.s); free(q.s); free(posmap);
 282         bam_destroy1(b);
 283         return ret;
 284 }
 285
 286 bam_header_t * fix_header(bam_header_t *old, faidx_t *fai)
 287 {
 288         int i = 0, unpadded_len = 0;
 289         bam_header_t *header = 0 ;
 290
 291         header = bam_header_dup(old);
 292         for (i = 0; i < old->n_targets; ++i) {
 293                 unpadded_len = get_unpadded_len(fai, old->target_name[i], old->target_len[i]);
 294                 if (unpadded_len < 0) {
 295                         fprintf(stderr, "[depad] ERROR getting unpadded length of '%s', padded length %i\n", old->target_name[i], old->target_len[i]);
 296                 } else {
 297                         header->target_len[i] = unpadded_len;
 298                         //fprintf(stderr, "[depad] Recalculating '%s' length %i -> %i\n", old->target_name[i], old->target_len[i], header->target_len[i]);
 299                 }
 300         }
 301         /* Duplicating the header allocated new buffer for header string */
 302         /* After modifying the @SQ lines it will only get smaller, since */
 303         /* the LN entries will be the same or shorter, and we'll remove */
 304         /* any MD entries (MD5 checksums). */
 305         assert(strlen(old->text) == strlen(header->text));
 306         assert (0==strcmp(old->text, header->text));
 307         const char *text;
 308         text = old->text;
 309         header->text[0] = '\0'; /* Resuse the allocated buffer */
 310         char * newtext = header->text;
 311         char * end=NULL;
 312         while (text[0]=='@') {
 313                 end = strchr(text, '\n');
 314                 assert(end != 0);
 315                 if (text[1]=='S' && text[2]=='Q' && text[3]=='\t') {
 316                         /* TODO - edit the @SQ line here to remove MD and fix LN. */
 317                         /* For now just remove the @SQ line, and samtools will */
 318                         /* automatically generate a minimal replacement with LN. */
 319                         /* However, that discards any other tags like AS, SP, UR. */
 320                         //fprintf(stderr, "[depad] Removing @SQ line\n");
 321                 } else {
 322                         /* Copy this line to the new header */
 323                         strncat(newtext, text, end - text + 1);
 324                 }
 325                 text = end + 1;
 326         }
 327         assert (text[0]=='\0');
 328         /* Check we didn't overflow the buffer */
 329         assert (strlen(header->text) <= strlen(old->text));
 330         if (strlen(header->text) < header->l_text) {
 331                 //fprintf(stderr, "[depad] Reallocating header buffer\n");
 332                 assert (newtext == header->text);
 333                 newtext = calloc(strlen(header->text) + 1, 1);
 334                 strcpy(newtext, header->text);
 335                 free(header->text);
 336                 header->text = newtext;
 337                 header->l_text = strlen(newtext);
 338         }
 339         //fprintf(stderr, "[depad] Here is the new header (pending @SQ lines),\n\n%s\n(end)\n", header->text);
 340         return header;
 341 }
 342
 343 static int usage(int is_long_help);
 344
 345 int main_pad2unpad(int argc, char *argv[])
 346 {
 347         samfile_t *in = 0, *out = 0;
 348         bam_header_t *h = 0;
 349         faidx_t *fai = 0;
 350         int c, is_bamin = 1, compress_level = -1, is_bamout = 1, is_long_help = 0;
 351         char in_mode[5], out_mode[5], *fn_out = 0, *fn_list = 0, *fn_ref = 0;
 352         int ret=0;
 353
 354         /* parse command-line options */
 355         strcpy(in_mode, "r"); strcpy(out_mode, "w");
 356         while ((c = getopt(argc, argv, "Sso:u1T:?")) >= 0) {
 357                 switch (c) {
 358                 case 'S': is_bamin = 0; break;
 359                 case 's': assert(compress_level == -1); is_bamout = 0; break;
 360                 case 'o': fn_out = strdup(optarg); break;
 361                 case 'u': assert(is_bamout == 1); compress_level = 0; break;
 362                 case '1': assert(is_bamout == 1); compress_level = 1; break;
 363                 case 'T': fn_ref = strdup(optarg); break;
 364                 case '?': is_long_help = 1; break;
 365                 default: return usage(is_long_help);
 366                 }
 367         }
 368         if (argc == optind) return usage(is_long_help);
 369
 370         if (is_bamin) strcat(in_mode, "b");
 371         if (is_bamout) strcat(out_mode, "b");
 372         strcat(out_mode, "h");
 373         if (compress_level >= 0) {
 374                 char tmp[2];
 375                 tmp[0] = compress_level + '0'; tmp[1] = '\0';
 376                 strcat(out_mode, tmp);
 377         }
 378
 379         // Load FASTA reference (also needed for SAM -> BAM if missing header)
 380         if (fn_ref) {
 381                 fn_list = samfaipath(fn_ref);
 382                 fai = fai_load(fn_ref);
 383         }
 384         // open file handlers
 385         if ((in = samopen(argv[optind], in_mode, fn_list)) == 0) {
 386                 fprintf(stderr, "[depad] failed to open \"%s\" for reading.\n", argv[optind]);
 387                 ret = 1;
 388                 goto depad_end;
 389         }
 390         if (in->header == 0) {
 391                 fprintf(stderr, "[depad] failed to read the header from \"%s\".\n", argv[optind]);
 392                 ret = 1;
 393                 goto depad_end;
 394         }
 395         if (in->header->text == 0 || in->header->l_text == 0) {
 396                 fprintf(stderr, "[depad] Warning - failed to read any header text from \"%s\".\n", argv[optind]);
 397                 assert (0 == in->header->l_text);
 398                 assert (0 == in->header->text);
 399         }
 400         if (fn_ref) {
 401                 h = fix_header(in->header, fai);
 402         } else {
 403                 fprintf(stderr, "[depad] Warning - reference lengths will not be corrected without FASTA reference\n");
 404                 h = in->header;
 405         }
 406         if ((out = samopen(fn_out? fn_out : "-", out_mode, h)) == 0) {
 407                 fprintf(stderr, "[depad] failed to open \"%s\" for writing.\n", fn_out? fn_out : "standard output");
 408                 ret = 1;
 409                 goto depad_end;
 410         }
 411
 412         // Do the depad
 413         ret = bam_pad2unpad(in, out, fai);
 414
 415 depad_end:
 416         // close files, free and return
 417         free(fn_list); free(fn_out);
 418         if (h != in->header) bam_header_destroy(h);
 419         samclose(in);
 420         samclose(out);
 421         fai_destroy(fai);
 422         return ret;
 423 }
 424
 425 static int usage(int is_long_help)
 426 {
 427         fprintf(stderr, "\n");
 428         fprintf(stderr, "Usage:   samtools depad <in.bam>\n\n");
 429         fprintf(stderr, "Options: -s       output is SAM (default is BAM)\n");
 430         fprintf(stderr, "         -S       input is SAM (default is BAM)\n");
 431         fprintf(stderr, "         -u       uncompressed BAM output (can't use with -s)\n");
 432         fprintf(stderr, "         -1       fast compression BAM output (can't use with -s)\n");
 433         fprintf(stderr, "         -T FILE  reference sequence file [null]\n");
 434         fprintf(stderr, "         -o FILE  output file name [stdout]\n");
 435         fprintf(stderr, "         -?       longer help\n");
 436         fprintf(stderr, "\n");
 437         if (is_long_help)
 438                 fprintf(stderr, "Notes:\n\
 439 \n\
 440   1. Requires embedded reference sequences (before the reads for that reference),\n\
 441      with the future aim to also support a FASTA padded reference sequence file.\n\
 442 \n\
 443   2. The input padded alignment read's CIGAR strings must not use P or I operators.\n\
 444 \n");
 445         return 1;
 446 }