bgi-flexlab / soapgaea Goto Github PK

merge the Multi-VCF input variant before annotation

pairHMM采用原始版本速度比较慢，需要优化，但是放在后期。

现在在建立reference index的时候都会进行染色体名称的format，这样会改变染色体名称，会导致一些问题，后续应该都去掉。

在ReferenceShare中建立chromosomeInfoMap时的键跟ref_bn.list中的染色体名称是一致的，可以包含大写，但是在getChromosomeInfo会先把染色体名称转化小写，再取这个染色体在chromosomeInfoMap中对应的值，而转化小写键是不在chromosomeInfoMap的，从而导致getChromosomeInfo这个方法会报错。

dbsnp的index做成类reference的方式，这样方便filechannel共享内存方式读取。

更新至cdh6.2后，hbase也升级到了hbase2，为了跑通Annotator我更新了SOAPgaea的依赖包。

目前还剩下边这一个类没修改，我暂时注释掉这个类编译的，代码以后再修改。
src/main/java/org/bgi/flexlab/gaea/data/datawarehouse/genomics/LoadVCFToHBase.java

用htsjdk中的CigarOperator中的来取代SystemConfiguration里的Cigar方面的静态变量值。

在现有index的方式的情况下，添加另一种index的方式，该index主要是按照windows来构建。windows是染色体上的一个固定大小的区域。比如假设窗口大小是10000，chr1的0号window是包含1-10000这些位点。要求最终输出的index里面，包含染色体名字\t窗口ID\t在该窗口内的dbsnp的最小record的文件起始位置\t在该窗口内的dbsnp中最大位置的record的文件终止位置。index的文件名中应包含窗口大小，这样以后相同窗口大小的流程能复用同一个index文件。@胡伟澎

当同一位置dup reads过多时，会出现Error：GC overhead limit exceeded
可通过二次排序或限制load reads数量来解决

add License to each source code