JEXL格式是Java的表达式引擎，对于我这本科生物背景的学渣，Java脚本都没见过长啥样。这里通过GATK的相关文档学习一下。
-
简而言之，就是一串字符串，而这串字符串可以告诉GATK该去看哪一个注释信息并且根据规则进行过滤。主要包括三个成分：键、值以及连接二者的操作符。
完整的语句必须用双引号引起来，键是字符串，对应的值可以是字符串、数字或布尔值（TRUE或FALSE）。如果对应的值里面是字符串，还需要加单引号将值引起来。比如
-
使用多个注释
可以通过两个注释指标建立新的表达式，比如下面这个，通过QUAL和DP作比小于10的位点去除
可以通过逻辑连接符(&&或者AND)使用多个过滤条件
"QUAL > 30.0 && DP == 10"
如果想满足其中之一的过滤条件，使用反斜线连接。尽量不要用OR代替反斜线，如果数据集中缺少表达式中的某一注释，会将整个表达式否定。
"QD < 2.0" "ReadPosRankSum < -20.0" "FS > 200.0"
-
筛选样本/基因型水平的特征
在VCF文件格式中，有FORMAT栏，以冒号：分隔的条目，分别针对着后面每个样本的相关特征值。
针对过滤的样本，Variant Filtration会将样本水平的FT标签加入到FORMAT栏中(不知道具体长什么样子，先暂时记录下来)。就作者所言，目前这个功能还没方便可用到他们满意的程度。
针对其他的常见的特征值，如GQ，可以直接 "GQ < 5.0"进行过滤。
针对genotype的filtering，GATK提供了更加方便的提取方法。使用三个表达式分别对应三种不同的基因型。也就是上一篇推送中提到的过滤。
isHet == 1 heterozygous calls 1/0，0/1杂合型isHomRef == 1 homozygous-reference calls 0/0纯和参考基因组基因型isHomVar == 1 homozygous-variant calls 1/1纯和变异基因型
-
重要提醒
关于JEXL表达式的书写，其对大小写是敏感的，对数据类型也是非常敏感的，比如字符串、(非)整数型、浮点数型或布尔型等。
针对过滤，尤其是多种条件组合的过滤，尽量还是分布过滤以方便知道每一次过滤发生了什么，毕竟很多条件在一起运行，如果报错了，第一时间很难知道到底是哪一个条件出了问题。
以及官方的一点建议：The GATK does not recommend use of compound filtering expressions, e.g. the logical || "OR". For such expressions, if a record is null for or missing a particular annotation in the expression, the tool negates the entire compound expression and so automatically passes the variant record even if it fails on one of the expressions.
后面还有一些高级的使用方法，这里就不作搬运了。
不要指望通过这就懂了Java的JEXL格式，目前我对自己的要求就是：够用就行，不够再学！！
原文参考：
https://gatk.broadinstitute.org/hc/en-us/articles/360035891011
https://gatk.broadinstitute.org/hc/en-us/articles/360035531112#2
感兴趣也可以通过阅读原文继续学习（可能对国内网络不太友好, 如果打不开建议复制上面链接到浏览器多试几次）
↓↓↓
发表评论