GATK のベストプラクティスの読み方

なぜこの概念が必要なのか

シークエンシングデータにおいて変異を検出するプロセスは、単一のコマンド実行で完結するものではありません。生読み取りリード（raw reads）が参照ゲノムのどの位置にどのように品質でアラインされているか、その位置で観察される塩基の一貫性、さらには複数サンプルの比較方法などが、最終的なバリアントコールに直接的な影響を及ぼします。

GATK Best Practicesは、こうした変異解析パイプラインを理解するための基準点として頻繁に参照されます。しかし、「Best Practices」という名称が、あらゆるデータセットやあらゆるGATKリリースに対して不変のレシピとして適用されるものを意味するわけではありません。

本稿では、概念と証拠の境界線を扱うガイダンスを提供します。ステップバイステップの実習については、GATK4 Best Practices実習シリーズで続編となります。

重要概念 — パイプラインは命令のリストではなく、証拠の変換プロセスである

概念的な流れは以下の通りです。

text

シーケンシングリード
       ↓
リファレンスゲノムへのアライメント
       ↓
品質管理および前処理
       ↓
変異証拠のアグリゲーション（集約）
       ↓
バリアント呼び出しおよびフィルタリング
       ↓
VCF + 品質／証拠注釈

各段階は「ファイルを次のファイルへ変換するプロセス」であると同時に、観測された証拠の意義を変更するプロセスでもあります。例えば、BAMファイル中にリードがアライメントされていても、すべてのミスマッチが生物学的な変異を意味するわけではありません。シーケンシングエラー、マッピングの不確実性、重複配列、低いカバレッジを併せて考慮する必要があります。

入力と出力の関係

FASTQ

FASTQファイルには、リード配列（read sequence）と塩基品質（base quality）が含まれています。この段階では参照座標がないため、「どの遺伝子にどのような変異があるか」を直接的に述べることはできません。

BAM/CRAM

リードを参照ゲノムにアラインメントすると、各リードがどの座標に位置するか、およびアラインメントの品質を確認できます。この際、参照ビルド（reference build）、アライナー、リードグループ（read group）、コピー数重複処理などの条件が、その後の解釈に影響を与えます。

VCF

バリアントコーラーは、アラインメントされたリードから特定位置のアレルエビデンスを集約し、バリアント候補とその品質情報を記録します。VCFは結果の要約書であり、すべての一次データや判断過程が失われた最終的な真実の表ではありません。参照配列、コーラー、フィルター適用状況、深度（depth）、アレルバランス（allele balance）などの情報とともに解釈する必要があります。

germlineとsomaticは同じパイプラインですか？

いいえ。germlineバリアントコールリングは個人の遺伝的変異を検出することを目的とし、somaticコールリングは腫瘍と正常試料間の差異、または腫瘍内変異の検出を目的としています。サンプル構成、期待されるアレル頻度、エラーモデル、フィルタリングおよび解釈基準が異なる可能性があります。

したがって、「GATKパイプライン」とだけ記述するのは不十分です。少なくとも以下の点を明確にする必要があります。

germline型かsomatic型か
single-sample解析かcohort解析か
WGS、WES、ターゲッテッドパネルのいずれか
リファレンスゲノムビルド
使用したGATKリリースおよび前後処理ツール

現在のgermline cohortの概念フローは、分析準備完了済みBAM → サンプルごとのgVCF → gVCF集約 → joint genotyping → フィルタリングとして区別する必要があります。一方、somatic short variant workflowは、腫瘍サンプルおよび必要に応じて対応する正常サンプルを入力とする別の解析課題です。

小さな例 — 同じミスマッチの異なる解釈

ある座標で20リードのうち15リードが参照配列と異なる塩基を示したとします。この結果のみから変異として確定することはできません。

確認項目	質問
リードディプス	十分な数のリードが観測されたか？
ベース/マッピング品質	そのリードおよび座標の信頼度は高いか？
スtrandバランス	一方方向のリードに偏っていないか？
アレル頻度	germlineまたはsomaticの問いに対応する頻度か？
近隣のアライメント	indel・反復配列・マッピングの曖昧性はないか？

これらの点を確認して初めて、観測された差異を変異証拠として解釈できます。パイプラインはこのプロセスを自動化しますが、自動化は質問の定義と品質管理の責任を免除するものではありません。

バージョンが重要な理由

GATK Best Practicesのステップと勧告は、データタイプ、GATKリリース、参照ゲノム、コールター、パラメータに応じて異なります。過去のガイドラインで使用されていたステップ名と現在の公式ワークフローを同じ文書内で混在させると、当時の教育的な手順が現在の再現可能なプロトコルのように誤解される可能性があります。

再現可能な記録には、以下の情報を併記する必要があります。

GATKの正確なリリース番号
実行対象のワークフロー/WDLの正確なバージョンまたはコミットハッシュ
ワークフローまたはツールのバージョン
参照ゲノムのビルドおよび既知のバリアントリソース（known-sites resources）
入力データタイプとサンプルデザイン
フィルタリング・品質管理の条件
VCFのポスト処理におけるアノテーションおよび解釈に用いられるリソース

この概念記事では、GATKの実行コマンドを提示しません。データセットごとにバージョンと条件が異なり得るため、データフローと判断の基準点を説明することに範囲を限定しています。

誤解されやすい点

ベストプラクティスは不変のレシピなのか？

いいえ。ベストプラクティスは、特定の分析課題やツールのバージョンにおいて検証済みのワークフローにおける基準点です。現在利用するには、公式ドキュメントおよびバージョン固有のガイダンスを再確認する必要があります。

VCFに記録された変異は臨床的に重要か？

いいえ。VCFはバリアント検出とその関連証拠を格納する分析結果物です。臨床的意義は、アノテーション、人口統計データ、表現型、ガイドラインに基づいた別の解釈プロセスを経て初めて決定されます。

前処理が完了すればエラーは消失するのか？

いいえ。前処理は特定のエラーやバイアスを低減する工程ですが、すべてのエラーを排除することを保証するものではありません。カバレッジ、マッピング、サンプル品質、およびアッセイ設計の限界は残存し得ます。

現在の根拠と限界

GATKは、NGS変異解析パイプラインを構成するツールとワークフローのエコシステムとして説明できる。
アライメント・前処理・バリアントコールリング・フィルタリングは互いに連携した工程である。
特定の過去のワークフローと現在の公式ワークフローが一致すると仮定しない。
Indelリアルアラインメントは、現在GATK4の前処理必須工程として提示していない。
この記事はコマンドチュートリアルではなく、入力・エビデンス・出力およびバージョン依存性を説明する概念ガイドである。

接続のコンセプト／ストーリー

コンセプト: FASTQ、BAM/CRAM、VCF、参照ゲノム、バリアントコール
ストーリー候補: 1つのリードのミスマッチがどのようにバリアントのエビデンスへと収束していくかという解析プロセス

BioPlayground

GATKベストプラクティスの読み方 — 変異解析パイプラインの入力と出力