smashbenchmarking 1.0.1

SMASH概述

最简单的SMASH用例是将变量调用算法的VCF输出与验证的真值集进行比较。 我们通过调用bench.py脚本来实现这一点，脚本有三个主要参数：基本真相vcf、预测的vcf和引用fasta。

##评估

smash评估三种主要类型的变体：snps、indels和structural变体。indel定义为小于50的变量 碱基对；较长的变体被认为是结构变体。索引进一步细分为插入、删除、反转和其他；结构变体同样细分为插入、删除和其他。

首先，smash检查真实vcf和预测vcf都有变体的所有位置。如果参考等位基因和第一个备选等位基因相同，则认为snps和indel是匹配的。如果结构变体是同一类型的变体（插入、删除或多对多），并且其位置具有基本真值变体的特定断点公差，则将其视为匹配。（调用smash时可以指定sv tolerance；默认值为50个基本对）。

然而，相同的底层变量可以用不同的方式以vcf格式表示。smash通过其解救算法来解决这种模糊性：对于预测vcf中不匹配的真vcf中的每个变量，smash将真和预测调用集描述的序列扩展到定义的窗口大小（可以在运行时指定，默认值为100bp）。如果序列匹配，则将真的调用集变量标记为真阳性，并将预测的调用集变量从假阳性集中移除。

##错误率 对于非合成数据集，smash输出应该表示地面真相vcf中给定调用不正确的可能性。例如，如果我们将对indel的错误调用率限定为1/500，我们将使用选项-indel_err 0.002（snp和sv错误率的传递方式与-snp_err和-sv_err类似）将该信息传递给基准脚本。这些错误率将用于计算smash输出中精度和召回率的错误条。

##输出

求值后，smash将结果报告为可读文本（默认）或制表符分隔的输出。结果包括 真阳性、假阳性和假阴性的计数；以及基于运行时传入的错误率的有界错误的精度和召回计算；以及一些基因分型精度度量。smash还可以输出一个完全注释的vcf文件，该文件包含来自true和predicted vcf输入文件的所有变体，标记为true-positive、false-positive、false-negative或saved。

##已知假阳性模式

对于我们没有验证整个基因组的真相的情况，可以用另一个已知的真阳性vcf来调用smash。使用此选项，如果预测调用位于同一位置、同一变体类型且具有相同的ref序列，smash将进一步将其标记为与已知误报冲突。精度也将用这个假阳性计数来计算。

如果地面真值数据不全面，但我们没有一组VCF格式的已知假阳性变量，我们可以使用–hide_fp标志在输出中隐藏假阳性相关统计信息。

##标准化

smash还包括一个规范化脚本，该脚本首先通过上排所有等位基因、删除纯合子引用和单形等位基因调用来清除vcf，等等。然后，左边的脚本将所有调用规范化为poss可以作为一个步骤标准化重复序列中的含糊不清的调用。尽管运行smash并不需要严格的左规范化，但它通过减少需要调用rescue算法的次数来提高准确性并减少运行时间。规范化可以作为求值脚本调用的一部分执行，方法是添加–normalize选项。

##假设和限制

• 目前还没有办法限制被评估的基因组部分（如外显子组等）。
• 目前SMASH不评估相位。
• SMASH不处理复合杂合子变体。