最近在进行一个较大规模群体的变异检测工作，在使用 GATK 完成个体变异检测后，需要进行群体分型，这一步往往非常消耗时间。不管是针对大样本的GenomicsDBImport方案还是传统的 CombineGVCFs 方案，耗时都挺长。通过一番查找，在学校超算集群文档找到了glnexus似乎可以作为加速替代。

简单查阅资料，glnexus (GL, genotype likelihood)用于对大规模 gvcf 进行 joint call，其由DNAnexus公司开发。官方宣称glnexus 可以代替 GATK CombineGVCFs 和 GATK GenotypeGVCFs，且速度要快很多。glnexus 为开源软件，可免费使用。
官网：https://github.com/dnanexus-rnd/GLnexus/


那么在使用glnexus过程中，也遇到一些问题，这里做一个经验分享。

1.glnexus是否适合染色体拆分

最开始为了加快整体的速度，我决定使用染色体拆分的形式进行并行处理，由于我分析的物种有 24 条染色体，受制于服务器性能以及硬盘阵列的 IO，我选择了单次并行 12 条染色体进行分析。结果令人感到意外的是，似乎针对每一条染色体的分析都会从头构建GLnexus.DB，会生成非常多的过程文件，也就是 sst 文件。
按照glnexus的已有 joint call 的速度测试，我的全部 GVCFs 在 2.4T 左右，群体分型应该花费时间在 45-60 小时之间。但是仅第一轮的 12 条染色体并行已经是耗费了超过 72 小时，并且硬盘占用毕竟 50TB。但此时，由于我之前没有使用过glnexus，我并不知道问题出在了哪里。


为了防止硬盘阵列的崩溃（我为自己本次数据分析，从集群中只申请了 54T 的临时硬盘挂载），只能中断任务。并且，通过在 bing 查找资料，并没有找人使用glnexus进行拆分染色体并行的任何信息，此时我意识到可能根本就不能这么用。

于是我采用官网的标准方法直接进行群体分型，成功跑通。最终 sst 文件仅 1.9TB，任务过程中占用运行内存 RAM 峰值仅达到 1TB 左右，运行时间仅 30h+。因此我认为，如果你也要尝试使用glnexus来进行群体分型，建议直接使用默认方式进行。

2.以哪种方式调用软件

根据我的实际使用体验来看，我非常推荐使用 docker 镜像的方式进行glnexus的调用。编译源码还是比较复杂的，而且对于使用 centos 7 的用户，glic 版本的问题会导致编译难度增加，使用 docker 镜像的方式会方便很多。同时也便于进行资源控制。


另外，glnexus运行非常占用 RAM，我的机器运行内存为 1.5TB，全部 GVCFs 总大小 2.4T 的情况下（参考基因组大小约 1G），峰值运存占用能达到 1000G，所以务必提前考虑内存是否能承受其运行。

另外这是来自学校集群的速度测试表格仅供参考