snakemake - 在 snakemake 运行期间动态减少输入文件集

Question

这更多是关于 snakemake 功能的技术问题。我想知道是否可以在 snakemake 运行期间动态更改输入样本集。

我想这样做的原因如下:让我们假设一组样本相关的 bam 文件。第一条规则确定每个样本的质量(基于 bam 文件)，即涉及所有输入文件。但是，根据指定的标准，只有一部分样本被认为是有效的，应该进一步处理。所以下一步(例如基因计数或其他)应该只对批准的 bam 文件进行，如下面的最小示例所示:

configfile: "config.yaml"

rule all:
   input: "results/gene_count.tsv"

rule a:
   input: expand( "data/{sample}.bam", sample=config['samples'])
   output: "results/list_of_qual_approved_samples.out"
   shell: '''command'''

rule b:
   input: expand( "data/{sample}.bam", sample=config['valid_samples'])
   output: "results/gene_count.tsv"
   shell: '''command'''

在此示例中，规则 a 将使用有效样本名称列表扩展配置文件，即使我相信知道这是不可能的。

当然，直接的解决方案是有两个不同的输入:1.) 所有 bam 文件和 2.) 列出所有有效文件的文件。这将归结为在规则代码中进行样本选择。

rule alternative_b:
   input: 
      expand( "data/{sample}.bam", sample=config['samples']),
      "results/list_of_qual_approved_samples.out"
   output: "results/gene_count.tsv"
   shell: '''command'''

但是，您是否找到一种方法来设置规则以实现第一个示例的行为？

非常感谢，拉尔夫

Answer 1

另一种方法，不使用“动态”。

并不是您不知道要使用多少文件，而是您只使用了开始时使用的文件的一个子集。由于您能够生成所有潜在文件的“samples.txt”列表，我假设您有一个坚定的起点。

我做了类似的事情，我有一些初始文件，我想处理这些文件的有效性(在我的例子中，我正在提高质量~排序、索引等)。然后我想忽略除我的结果文件之外的所有内容。

为了避免创建示例文件的辅助列表，我建议创建第二个数据目录 (reBamDIR)、data2 (BamDIR)。在 data2 中，您对所有有效文件进行符号链接(symbolic link)。这样，Snake 就可以处理 data2 目录中的所有内容。使管道更容易向下移动，管道可以停止依赖示例列表，并且它可以使用通配符处理所有内容(更容易编码)。这是可能的，因为当我使用符号链接(symbolic link)然后标准化名称时。我在输出规则中列出了符号链接(symbolic link)文件，以便 Snakemake 了解它们，然后它可以创建 DAG。

`-- output
    |-- bam
    |   |-- Pfeiffer2.bam ->     /home/tboyarski/share/projects/tboyarski/gitRepo-LCR-BCCRC/Snakemake/buildArea/output/reBam/Pfeiffer2_realigned_sorted.bam
    |   `-- Pfeiffer2.bam.bai ->     /home/tboyarski/share/projects/tboyarski/gitRepo-LCR-    BCCRC/Snakemake/buildArea/output/reBam/Pfeiffer2_realigned_sorted.bam.bai
    |-- fastq
    |-- mPile
    |-- reBam
    |   |-- Pfeiffer2_realigned_sorted.bam
    |   `-- Pfeiffer2_realigned_sorted.bam.bai

在这种情况下，您所需要的只是“验证器”中的返回值，以及响应它的条件运算符。

我认为您已经在某处拥有它，因为您必须在验证步骤中使用条件。无需使用它将文件名写入 txt 文件，只需将文件符号链接(symbolic link)到最终位置并继续。

我的原始数据在 reBamDIR 中。我存储在 BamDIR 中的最终数据。我只将管道中此阶段的文件符号链接(symbolic link)到 bamDIR。reBamDIR 中还有其他文件，但我不希望我的管道的其余部分看到它们，因此，我将它们过滤掉。

我不确定如何实现“验证器”和您的条件，因为我不知道您的情况，而且我还在学习。只是试图提供替代观点//方法。

from time import gmtime, strftime

rule indexBAM:
    input:
        expand("{outputDIR}/{reBamDIR}/{{samples}}{fileTAG}.bam", outputDIR=config["outputDIR"], reBamDIR=config["reBamDIR"], fileTAG=config["fileTAG"])
    output:
        expand("{outputDIR}/{reBamDIR}/{{samples}}{fileTAG}.bam.bai", outputDIR=config["outputDIR"], reBamDIR=config["reBamDIR"], fileTAG=config["fileTAG"]),
        expand("{outputDIR}/{bamDIR}/{{samples}}.bam.bai", outputDIR=config["outputDIR"], bamDIR=config["bamDIR"]),
        expand("{outputDIR}/{bamDIR}/{{samples}}.bam", outputDIR=config["outputDIR"], bamDIR=config["bamDIR"])
    params:
        bamDIR=config["bamDIR"],
        outputDIR=config["outputDIR"],
        logNAME="indexBAM." + strftime("%Y-%m-%d.%H-%M-%S", gmtime())
    log:
        "log/" + config["reBamDIR"]
    shell:
        "samtools index {input} {output[0]} " \
        " 2> {log}/{params.logNAME}.stderr " \
        "&& ln -fs $(pwd)/{output[0]} $(pwd)/{params.outputDIR}/{params.bamDIR}/{wildcards.samples}.bam.bai " \
        "&& ln -fs $(pwd)/{input} $(pwd)/{params.outputDIR}/{params.bamDIR}/{wildcards.samples}.bam"