使用GATK4的AddOrReplaceReadgroups时RGSM参数遭拒问题

问题场景 #

通过循环脚本读取384行制表符分隔文件plate1_rg_fields.txt，批量为BAM文件添加读组信息时，出现以下问题：

• 单独运行第一行样本无异常
• 批量运行时报错：RGSM参数'1'不符合SAM头标签的正则表达式'^[ -~]+$'
• 日志显示参数读取正确，但无输出文件生成

排查方向与解决方法 #

1. 清理制表符文件的隐藏字符 #

批量运行时，后续行的RGSM字段可能携带不可见控制字符（如Windows回车符^M、非打印ASCII字符），这些字符肉眼不可见但会触发正则校验失败。

• 操作步骤：
  • 用cat -A plate1_rg_fields.txt查看文件，检查每行末尾或字段间是否有异常字符
  • 转换为Unix格式清除Windows回车：dos2unix plate1_rg_fields.txt
  • 直接清除所有非打印字符：sed 's/[^ -~]//g' plate1_rg_fields.txt > cleaned_plate1_rg_fields.txt，用清理后的文件重新运行

2. 修复循环脚本的字段分割逻辑 #

如果用read命令读取行内容，默认分隔符包含空格，可能导致制表符分割的字段错位，把其他字段内容误传给RGSM参数。

• 操作步骤：
  • 在脚本开头添加IFS=$'\t'，强制以制表符作为字段分隔符
  • 或改用awk处理循环，避免分割错误，示例脚本：

    awk -F'\t' '{
        input_bam=$1
        rgsm=$2
        rglb=$3
        rgpl=$4
        rgpu=$5
        output_bam=input_bam".rg.bam"
        system("gatk AddOrReplaceReadGroups -I " input_bam " -O " output_bam " -RGSM " rgsm " -RGLB " rglb " -RGPL " rgpl " -RGPU " rgpu)
    }' plate1_rg_fields.txt
    

3. 规范参数的引号包裹 #

当RGSM值为数字时，若未用引号包裹，可能被Shell解析为特殊值，导致参数传递异常。

• 操作步骤：
  • 给所有GATK命令的参数加上双引号，示例：

    gatk AddOrReplaceReadGroups -I "$input_bam" -O "$output_bam" -RGSM "$rgsm" -RGLB "$rglb" -RGPL "$rgpl" -RGPU "$rgpu"
    

4. 排查循环变量的重置逻辑 #

若循环中变量未正确重置，可能导致上一行的错误值被继承，或空变量被Shell解析为异常内容。

• 操作步骤：
  • 在循环内部开头添加变量重置语句：

    input_bam=""
    rgsm=""
    rglb=""
    rgpl=""
    rgpu=""
    

  • 添加日志打印，记录每一行的参数值：

    echo "Processing: $input_bam, RGSM: '$rgsm'" >> batch_run.log
    

    通过日志定位具体出错的行，单独测试该行的命令

验证技巧 #

• 提取报错行的内容，单独执行GATK命令，确认是否复现错误
• 用echo "$rgsm" | od -c查看RGSM变量的字符编码，排查隐藏字符

内容的提问来源于stack exchange，提问作者Cora_olpe