Skip to content

生資工具 › NGS 工具 › Picard MarkDuplicates

Picard MarkDuplicates ​

找出比對位置與方向完全相同、推測來自同一個原始 DNA 片段的 reads(PCR 重複或光學重複),在 FLAG 加上 0x400。預設只標記不刪除,下游工具(GATK、samtools view -F 0x400)再決定是否忽略。

用法 ​

bash
picard MarkDuplicates \
  -I sorted.bam \
  -O dedup.bam \
  -M dup_metrics.txt \
  --CREATE_INDEX true \
  --OPTICAL_DUPLICATE_PIXEL_DISTANCE 2500     # 圖案化 flow cell(NovaSeq / HiSeq X)建議值;預設 100
# 同一工具也可用 gatk MarkDuplicates 執行
# 舊語法 I=sorted.bam O=dedup.bam M=metrics.txt 已列為 legacy
參數意義
-I / -O / -M輸入 BAM(需依座標排序)/ 輸出 BAM / 指標檔
--REMOVE_DUPLICATES true直接刪除重複(通常不建議,保留標記較有彈性)
--OPTICAL_DUPLICATE_PIXEL_DISTANCE判定光學重複的像素距離
--CREATE_INDEX true輸出時建 .bai
--ASSUME_SORT_ORDER coordinateheader 未標排序狀態但實際已排序時使用

讀指標檔 ​

欄位意義
READ_PAIR_DUPLICATES被標記為重複的 read pair 數
READ_PAIR_OPTICAL_DUPLICATES其中屬於光學重複的數量
PERCENT_DUPLICATION重複比例(0–1,不是百分比)
ESTIMATED_LIBRARY_SIZE估計 library 中不重複片段的數量(library complexity)

重複率的合理範圍與成因見 重複率。

什麼時候不要(或要特別處理)去重複 ​

情境做法
擴增子 (amplicon) panel所有 reads 起點相同,去重複會把真實 reads 幾乎刪光;不要做
有 UMI 的 library依 UMI 分組再判斷(fgbio、umi_tools dedup、Picard UmiAwareMarkDuplicatesWithMateCigar)
RNA-seq 差異表現高表現基因的「重複」多半是真的;通常不去重複,只拿重複率當 QC 參考
WGS / WES 變異呼叫標準流程,必做
cfDNA 低頻變異用 UMI 建一致序列 (consensus),不只是標記;見 UMI 與一致序列

替代工具 ​

工具特點
samtools markdup需先 collate → fixmate -m → sort,見 samtools
sambamba markdup多執行緒、快,見 sambamba
GATK MarkDuplicatesSpark可吃 queryname 排序的 BAM,平行化

官方文件:GATK / Picard MarkDuplicates。